Функция плотности вероятности расслоения по образцу с matplotlib

Question

Я хочу построить приближение функции плотности вероятности на основе образца, который у меня есть; Кривая, которая имитирует поведение гистограммы. Я могу иметь образцы как большие, как я хочу.

Answer 1

Если вы хотите построить распределение, и вы это знаете, определить его как функцию и построить ее таким образом:

import numpy as np 
from matplotlib import pyplot as plt 

def my_dist(x): 
    return np.exp(-x ** 2) 

x = np.arange(-100, 100) 
p = my_dist(x) 
plt.plot(x, p) 
plt.show() 

---

Если у вас нет точного распределения в виде не аналитическая функция, возможно, вы можете создать большую выборку, возьмите гистограмма и как-то сгладить данные:

import numpy as np 
from scipy.interpolate import UnivariateSpline 
from matplotlib import pyplot as plt 

N = 1000 
n = N//10 
s = np.random.normal(size=N) # generate your data sample with N elements 
p, x = np.histogram(s, bins=n) # bin it into n = N//10 bins 
x = x[:-1] + (x[1] - x[0])/2 # convert bin edges to centers 
f = UnivariateSpline(x, p, s=n) 
plt.plot(x, f(x)) 
plt.show() 

вы можете увеличить или уменьшить s (коэффициент сглаживания) в UnivariateSpline е вызов для увеличения или уменьшения сглаживания. Например, используя два, которые вы получаете:

Answer 2

Что вам нужно сделать, это использовать gaussian_kde из пакета scipy.stats.kde.

учитывая ваши данные, которые вы можете сделать что-то вроде этого:

from scipy.stats.kde import gaussian_kde 
from numpy import linspace 
# create fake data 
data = randn(1000) 
# this create the kernel, given an array it will estimate the probability over that values 
kde = gaussian_kde(data) 
# these are the values over wich your kernel will be evaluated 
dist_space = linspace(min(data), max(data), 100) 
# plot the results 
plt.plot(dist_space, kde(dist_space)) 

Плотность ядра могут быть сконфигурированы по желанию и может обрабатывать N-размерные данные с легкостью. Это также позволит избежать искажений сплайнов, которые вы можете увидеть в сюжете, заданном askewchan.