Установка гамма-распределения с (python) Scipy

Ответ 1

Сгенерировать некоторые гамма-данные:

import scipy.stats as stats    
alpha = 5
loc = 100.5
beta = 22
data = stats.gamma.rvs(alpha, loc=loc, scale=beta, size=10000)    
print(data)
# [ 202.36035683  297.23906376  249.53831795 ...,  271.85204096  180.75026301
#   364.60240242]

Здесь мы сопоставляем данные с гамма-распределением:

fit_alpha, fit_loc, fit_beta=stats.gamma.fit(data)
print(fit_alpha, fit_loc, fit_beta)
# (5.0833692504230008, 100.08697963283467, 21.739518937816108)

print(alpha, loc, beta)
# (5, 100.5, 22)

Ответ 2

Если вам нужен длинный пример, включающий обсуждение об оценке или фиксации поддержки дистрибутива, вы можете найти его в https://github.com/scipy/scipy/issues/1359 и связанное сообщение списка рассылки.

Предварительная поддержка исправления параметров, таких как местоположение, во время подгонки была добавлена ​​к версии сундука scipy.

Ответ 3

Я был неудовлетворен функцией ss.gamma.rvs, так как он может генерировать отрицательные числа, что, по-видимому, не должно иметь гамма-распределение. Таким образом, я подобрал образец через ожидаемое value = среднее (данные) и variance = var (данные) (подробнее см. Wikipedia) и написал функцию, которая может давать случайные выборки гамма-распределения без scipy (что мне было сложно установить правильно, на стороне):

import random
import numpy

data = [6176, 11046, 670, 6146, 7945, 6864, 767, 7623, 7212, 9040, 3213, 6302, 10044, 10195, 9386, 7230, 4602, 6282, 8619, 7903, 6318, 13294, 6990, 5515, 9157]

# Fit gamma distribution through mean and average
mean_of_distribution = numpy.mean(data)
variance_of_distribution = numpy.var(data)

def gamma_random_sample(mean, variance, size):
    """Yields a list of random numbers following a gamma distribution defined by mean and variance"""
    g_alpha = mean*mean/variance
    g_beta = mean/variance
    for i in range(size):
        yield random.gammavariate(g_alpha,1/g_beta)

# force integer values to get integer sample
grs = [int(i) for i in gamma_random_sample(mean_of_distribution,variance_of_distribution,len(data))]

print("Original data: ", sorted(data))
print("Random sample: ", sorted(grs))

# Original data: [670, 767, 3213, 4602, 5515, 6146, 6176, 6282, 6302, 6318, 6864, 6990, 7212, 7230, 7623, 7903, 7945, 8619, 9040, 9157, 9386, 10044, 10195, 11046, 13294]
# Random sample:  [1646, 2237, 3178, 3227, 3649, 4049, 4171, 5071, 5118, 5139, 5456, 6139, 6468, 6726, 6944, 7050, 7135, 7588, 7597, 7971, 10269, 10563, 12283, 12339, 13066]

Ответ 4

1): переменная "data" может быть в формате списка или кортежа python или numpy.ndarray, которые могут быть получены с помощью:

data=numpy.array(data)

где 2-е данные в указанной строке должны быть списком или кортежем, содержащим ваши данные.

2: переменная "параметр" является первой предпосылкой, которую вы могли бы опционально предоставить функции фитинга в качестве отправной точки для процесса подгонки, поэтому ее можно было бы пропустить.

3: примечание о ответе @mondano. Использование моментов (среднее и дисперсии) для разработки параметров гаммы достаточно полезно для больших параметров формы (альфa > 10), но может давать плохие результаты при малых значениях альфа (см. Статистические методы в атмосферных средах Уилкса и THOM, HCS, 1958: примечание о гамма-распределении. Mon. Wea. Rev., 86, 117-122.

Использование оценок максимального правдоподобия, как это реализовано в scipy модуле, считается лучшим выбором в таких случаях.