【统计学】Python计算并绘制样本数据的经验分布函数

参考文献：
一篇绘制累积经验分布函数图像的博客

如何得到样本数据的经验分布函数？

from statsmodels.distributions.empirical_distribution import ECDF
ecdf = ECDF([3,3,1,4]) # 返回了一个分布函数，我是说数学书上的函数
type(ecdf)
Out[19]: statsmodels.distributions.empirical_distribution.ECDF
ecdf(3) # 往这个分布函数中输入自变量，会得到其分布函数值
Out[20]: 0.75
ecdf(1)
Out[21]: 0.25
help(ECDF) # 看看介绍，我也没太懂。。。
Help on class ECDF in module statsmodels.distributions.empirical_distribution:
class ECDF(StepFunction)|  ECDF(x, side='right')|  |  Return the Empirical CDF of an array as a step function.|  |  Parameters|  ----------|  x : array_like|      Observations|  side : {'left', 'right'}, optional|      Default is 'right'. Defines the shape of the intervals constituting the|      steps. 'right' correspond to [a, b) intervals and 'left' to (a, b].|  |  Returns|  -------|  Empirical CDF as a step function.|  |  Examples|  --------|  >>> import numpy as np|  >>> from statsmodels.distributions.empirical_distribution import ECDF|  >>>|  >>> ecdf = ECDF([3, 3, 1, 4])|  >>>|  >>> ecdf([3, 55, 0.5, 1.5])|  array([ 0.75,  1.  ,  0.  ,  0.25])|  |  Method resolution order:|      ECDF|      StepFunction|      builtins.object|  |  Methods defined here:|  |  __init__(self, x, side='right')|      Initialize self.  See help(type(self)) for accurate signature.|  |  ----------------------------------------------------------------------|  Methods inherited from StepFunction:|  |  __call__(self, time)|      Call self as a function.|  |  ----------------------------------------------------------------------|  Data descriptors inherited from StepFunction:|  |  __dict__|      dictionary for instance variables (if defined)|  |  __weakref__|      list of weak references to the object (if defined)

绘制样本的经验分布函数

方法一：

博客原文

# 这也是借鉴别人博客的代码，我再补充点自己的看法
import numpy as np
import pandas as pd
import matplotlib.pyplot as pltdatas = np.array([64.3, 65.0, 65.0, 67.2, 67.3, 67.3, 67.3, 67.3, 68.0, 68.0, 68.8, 68.8, 68.8, 69.7,\69.7, 69.7, 70.3,70.4, 70.4, 70.4, 70.4, 70.4,70.4, 70.4, 71.2, 71.2, 71.2, 71.2,\72.0, 72.0, 72.0, 72.0, 72.0, 72.0, 72.0, 72.7, 72.7, 72.7, 72.7, 72.7, 72.7, 72.7,\73.5, 73.5, 73.5, 73.5, 73.5, 73.5, 73.5, 73.5, 73.5,73.5, 73.5, 74.3, 74.3, 74.3,\74.3, 74.3, 74.3, 74.3, 74.3, 74.7, 75.0, 75.0, 75.0, 75.0, 75.0, 75.0, 75.0, 75.4,\75.6, 75.8, 75.8, 75.8, 75.8, 75.8, 76.5, 76.5, 76.5, 76.5, 76.5, 76.5, 76.5, 77.2,\77.2,77.6, 78.0, 78.8, 78.8, 78.8, 79.5, 79.5, 79.5, 80.3, 80.5, 80.5, 81.2, 81.6,\81.6, 84.3])#数据特征计算
s = np.std(datas, ddof=1)#样本标准差
xbar = np.mean(datas)#样本均值#数据可视化 画数据经验分布曲线图
nt, bins, patches = plt.hist(datas, bins=10, histtype='step', \
cumulative=True, density=True, color='darkcyan')#datas是数据,bins是分组数
plt.title('bins = 10')
plt.savefig('经验函数分布图1.jpg', dpi=200)
plt.show()#数据可视化 画数据经验分布曲线图
nt, bins, patches = plt.hist(datas, bins=15, histtype='step', \
cumulative=True, density=True, color='darkcyan')#datas是数据,bins是分组数
plt.title('bins = 15')#正态分布函数曲线拟合
y = (1 / (np.sqrt(2 * np.pi) * s)) * np.exp(-0.5 * ((bins - xbar) ** 2 / s ** 2))
y = y.cumsum()
y = y / y[-1]
plt.plot(bins, y, 'tomato', linewidth = 1.5, label = 'Theoretical')
plt.savefig('经验函数分布图2.jpg', dpi=200)
plt.show()# 这种方法有点奇怪，指定bins参数之后，就不能说绘制出来的经验分布函数是原样本的经验分布函数了
# 自己试试看，图太多了不方便一一往上贴，看看返回数组
plt.hist([3,3,1,4],histtype='step',cumulative=True,density=True)
Out[25]:
(array([0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.75, 0.75, 0.75, 1.  ]),array([1. , 1.3, 1.6, 1.9, 2.2, 2.5, 2.8, 3.1, 3.4, 3.7, 4. ]),[<matplotlib.patches.Polygon at 0x14fb356be20>])
plt.hist([3,3,1,4],histtype='step',cumulative=True) # 没有density参数表示计数，而非计算频率
Out[26]:
(array([1., 1., 1., 1., 1., 1., 3., 3., 3., 4.]),array([1. , 1.3, 1.6, 1.9, 2.2, 2.5, 2.8, 3.1, 3.4, 3.7, 4. ]),[<matplotlib.patches.Polygon at 0x14fb4c47d90>])plt.hist([3,3,1,4],histtype='step',cumulative=True,bins=4,density=True)
Out[28]:
(array([0.25, 0.25, 0.75, 1.  ]),array([1.  , 1.75, 2.5 , 3.25, 4.  ]),[<matplotlib.patches.Polygon at 0x14fb6e5bb20>])
plt.hist([3,3,1,4],histtype='step',cumulative=True,bins=3,density=True)
Out[29]:
(array([0.25, 0.25, 1.  ]),array([1., 2., 3., 4.]),[<matplotlib.patches.Polygon at 0x14fb4c31850>])
plt.hist([3,3,1,4],histtype='step',cumulative=True,bins=5,density=True)
Out[30]:
(array([0.25, 0.25, 0.25, 0.75, 1.  ]),array([1. , 1.6, 2.2, 2.8, 3.4, 4. ]),[<matplotlib.patches.Polygon at 0x14fb4c37820>])# 也就是说，bins参数是平均分原数据的份数。由原数据的最大值和最小值以及bins参数共同决定各个子区间的范围。

方法二：

from statsmodels.distributions.empirical_distribution import ECDF
x = [3,3,1,4]
ecdf = ECDF([3,3,1,4])
type(ecdf)
Out[37]: statsmodels.distributions.empirical_distribution.ECDF
y = ecdf(x) # 计算分布函数值
x.sort()
x
Out[43]: [1, 3, 3, 4]
y.sort()
# 画阶梯函数之前一定要记得排序，不然就是乱七八糟的回字形
plt.step(x,y)
Out[45]: [<matplotlib.lines.Line2D at 0x14fc03b6850>]

这就是我想要的了

【统计学】Python计算并绘制样本数据的经验分布函数相关推荐

概率统计Python计算：样本数据的经验分布函数
设 ( x 1 , x 2 , ⋯ , x n ) (x_1,x_2,\cdots,x_n) (x1,x2,⋯,xn)是总体 X X X的一个样本观测值.与绘制直方图相仿,记 a = m i n ...
【数据挖掘】Python绘制一组样本的CDF概率分布函数（经验分布函数）
CDF是什么?简单对概率分布函数进行一个描述,在概率论中要研究一个随机变量ξ取值小于某一数值x的概率,这概率是x的函数,称这种函数为随机变量ξ的分布函数. F ( x ) = P ( X < x ...
使用Python，Opencv进行二维直方图的计算及绘制
使用Python,Opencv进行二维直方图的计算及绘制 1. 效果图 2. 源码参考这篇博客将介绍如何使用Python,Opencv进行二维直方图的计算及绘制(分别用Opencv和Numpy计算 ...
python 曲线分析_大数据分析之Python计算KS值并绘制KS曲线
本篇教程探讨了大数据分析之Python计算KS值并绘制KS曲线,希望阅读本篇文章以后大家有所收获,帮助大家对相关内容的理解更加深入. python实现KS曲线,相关使用方法请参考上篇博客-R语言实现K ...
R语言经验累积分布函数计算和绘制实战
R语言经验累积分布函数计算和绘制实战目录 R语言经验累积分布函数计算和绘制实战 #基本语法
Python快速编程入门#学习笔记02# |第十章：Python计算生态与常用库（附.小猴子接香蕉、双人乒乓球小游戏源码）
全文目录学习目标 1. Python计算生态概述 1.1 Python计算生态概述 2. Python生态库的构建与发布 2.1 模块的构建与使用 * 2.1.1第三方库/模块导入的格式 2.2 包 ...
【Python】数理统计理论：常用统计量、经验分布函数
一.常用统计量数理统计学中常用的统计量有:样本均值.样本方差.顺序统计量.中位数.众数等. 其中可以反映总体位置特征的有数据的中心位置是均值(Mean),中位数(Median),众数(Mode).其 ...
python基本图形绘制_【Python】Python基本图形绘制-Go语言中文社区
1.Python蟒蛇图形绘制: 代码: #PythonDraw.py import turtle turtle.setup(650, 350, 200, 200) turtle.penup() tur ...
python turtle库画图案-Python基础图形绘制库——turtle
(1).介绍 turtle库也叫海龟库,是turtle绘图体系的Python实现.turtle库是Python语言的标准库之一,是入门级的图形绘制函数库. turtle绘图体系:也叫海龟绘图系统,它是 ...

【统计学】Python计算并绘制样本数据的经验分布函数

如何得到样本数据的经验分布函数？

绘制样本的经验分布函数

方法一：

方法二：

【统计学】Python计算并绘制样本数据的经验分布函数相关推荐

最新文章

热门文章