由于可重现性的原因，我正在共享我在这里工作的简单数据集。

为了弄清楚我在做什么——从第2列开始，我读取当前行并将其与前一行的值进行比较。如果它更大，我会不断比较。如果当前值小于前一行的值，我想用当前值(较小)除以前一行的值(较大)。因此，下面是我的源代码。

import numpy as np

import scipy.stats

import matplotlib.pyplot as plt

import seaborn as sns

from scipy.stats import beta

protocols = {}

types = {"data_v": "data_v.csv"}

for protname, fname in types.items():

col_time,col_window = np.loadtxt(fname,delimiter=',').T

trailing_window = col_window[:-1] # "past" values at a given index

leading_window = col_window[1:] # "current values at a given index

decreasing_inds = np.where(leading_window < trailing_window)[0]

quotient = leading_window[decreasing_inds]/trailing_window[decreasing_inds]

quotient_times = col_time[decreasing_inds]

protocols[protname] = {

"col_time": col_time,

"col_window": col_window,

"quotient_times": quotient_times,

"quotient": quotient,

}

plt.figure(); plt.clf()

plt.plot(quotient_times, quotient, ".", label=protname, color="blue")

plt.ylim(0, 1.0001)

plt.title(protname)

plt.xlabel("quotient_times")

plt.ylabel("quotient")

plt.legend()

plt.show()

sns.distplot(quotient, hist=False, label=protname)

这给出了下面的图。

< img >

< img >

从图中我们可以看出

Data-V has a quotient of 0.8 when the quotient_times is less than 3 and the quotient remains 0.5 if the quotient_times is

greater than 3.

我还使用以下代码将其安装到beta发行版中

xt = plt.xticks()[0]

xmin, xmax = min(xt), max(xt)

lnspc = np.linspace(xmin, xmax, len(quotient))

alpha,beta,loc,scale = stats.beta.fit(quotient)

pdf_beta = stats.beta.pdf(lnspc, alpha, beta,loc, scale)

plt.plot(lnspc, pdf_beta, label="Data-V", color="darkblue", alpha=0.9)

plt.xlabel('$quotient$')

#plt.ylabel(r'$p(x|\alpha,\beta)$')

plt.title('Beta Distribution')

plt.legend(loc="best", frameon=False)

< img >

我们如何将{{c_9}(上面定义的)放入一个sigmoid函数中，以得到类似下面这样的图?

< img >