1
我想適合我的數據的非對稱概率分佈,我認爲指數修正高斯分佈可以是我的數據的一個很好的代表。我擬合數據的概率分佈並找到它的累積分佈函數
m=array([ 16.25, 16.75, 17.25, 17.75, 18.25, 18.75, 19.25, 19.75,
20.25, 20.75, 21.25, 21.75, 22.25, 22.75, 23.25, 23.75,
24.25, 24.75, 25.25, 25.75, 26.25, 26.75, 27.25, 27.75,
28.25, 28.75, 29.25, 29.75, 30.25, 30.75])
pdf=array([ 0.00000000e+00, 2.40818784e-04, 1.38470801e-03,
1.62552679e-03, 3.07043949e-03, 3.37146297e-03,
5.47862733e-03, 8.36845274e-03, 1.61348585e-02,
1.92052980e-02, 2.79951836e-02, 3.97953040e-02,
4.95484648e-02, 7.09211318e-02, 9.50030102e-02,
1.40878989e-01, 1.90186635e-01, 2.42022878e-01,
2.77302830e-01, 2.69054786e-01, 2.40397351e-01,
1.74593618e-01, 9.16917520e-02, 2.41420831e-02,
7.22456352e-03, 3.01023480e-04, 0.00000000e+00,
0.00000000e+00, 0.00000000e+00, 6.02046960e-05])
我想用scipy.optimize庫,並在同時也許可以控制擬合度,看看它是爲了改善卡方通過改變輸入參數的初始條件。我寫了下面的一段代碼:
import scipy.special as sse
from math import *
import numpy as np
import scipy.optimize
#defines the PDF of an exponentially modified Gaussian distribution
fitfunc =lambda p,x: 0.5*p[2]*np.exp(0.5*p[2]*(2*p[0]+p[2]*p[1]*p[1]-2*x))*sse.erfc((p[0]+p[2]*p[1]*p[1]-x)/(np.sqrt(2)*p[1]))
"""Deviations of data from fitted curve"""
errfunc = lambda p, x, y: fitfunc(p, x) - y
#initial values
p0=[24,1,1]
p1, success = scipy.optimize.leastsq(errfunc, p0, args=(pdf, m), maxfev=10000)
更新:好,我只是選擇了numpy.exp
和第一個問題解決了,但仍然leastsq不給我可靠的輸出,我應該怎麼辦?此外,我想獲得CDF這個分配。
你從哪裏得到'exp'和'sse.erfc'? – Ffisegydd
@Ffisegydd被編輯 – Dalek
* pdf *和* m *來自errfunc參數的最後一行?如果他們有問題,errfunc可能會返回一些不是一個單一的數字。您可能需要手動檢查errfunc的返回值,因爲錯誤消息表明它不是單個數字。 – DrV