scipy.stats.

boxcox_normmax#

scipy.stats.boxcox_normmax(x, brack=None, method='pearsonr', optimizer=None, *, ymax=BIG_FLOAT)[源代码]#

计算输入数据的最佳 Box-Cox 转换参数。

参数:
x类数组

输入数组。所有条目都必须是正的、有限的实数。

brack2 元组，可选，默认为 (-2.0, 2.0)

用于为默认 optimize.brent 求解器进行下降区间搜索的起始区间。请注意，在大多数情况下这并不是至关重要的；最终结果可以超出此区间。如果传递了 optimizer，则 brack 必须为 None。

methodstr，可选

用于确定最佳变换参数的方法（boxcox lmbda 参数）。选项为

‘pearsonr’（默认）

最大化 y = boxcox(x) 和 y 的期望值（如果 x 服从正态分布）之间的皮尔逊相关系数。

‘mle’

最大化对数似然函数 boxcox_llf。这是 boxcox 中使用的方法。

‘all’

使用所有可用的优化方法，并返回所有结果。可用于比较不同方法。

optimizercallable，可选

optimizer 是一个可接受一个参数的可调用函数

funcallable

要最小化的目标函数。 fun 接受一个参数（Box-Cox 变换参数 lmbda，并返回提供的参数的函数值（例如，负对数似然）。 optimizer 的任务是找到将 fun 最小化 的 lmbda 值。

并返回一个对象，例如 scipy.optimize.OptimizeResult 的一个实例，它保存属性 x 中的 lmbda 的最优值。

有关详细信息，请参阅下面的示例或 scipy.optimize.minimize_scalar 的文档。

ymaxfloat，可选

无约束的最优变换参数可能导致 Box-Cox 变换数据具有极端幅度，甚至溢出。此参数限制 MLE 优化为变量 x 的变换幅度不超过 ymax。默认值为输入数据类型的最大值。如果设置为无穷大，boxcox_normmax 将返回无约束的最优 lambda。在 method='pearsonr' 时忽略。

返回:
maxlogfloat 或 ndarray

找到的最优变换参数。当 method='all' 时，返回一个数组而不是标量。

另请参见

boxcox，boxcox_llf，boxcox_normplot，scipy.optimize.minimize_scalar

范例

>>> import numpy as np
>>> from scipy import stats
>>> import matplotlib.pyplot as plt

我们可以生成一些数据，并确定最佳 lmbda

>>> rng = np.random.default_rng()
>>> x = stats.loggamma.rvs(5, size=30, random_state=rng) + 5
>>> y, lmax_mle = stats.boxcox(x)
>>> lmax_pearsonr = stats.boxcox_normmax(x)

>>> lmax_mle
2.217563431465757
>>> lmax_pearsonr
2.238318660200961
>>> stats.boxcox_normmax(x, method='all')
array([2.23831866, 2.21756343])

>>> fig = plt.figure()
>>> ax = fig.add_subplot(111)
>>> prob = stats.boxcox_normplot(x, -10, 10, plot=ax)
>>> ax.axvline(lmax_mle, color='r')
>>> ax.axvline(lmax_pearsonr, color='g', ls='--')

>>> plt.show()
../../_images/scipy-stats-boxcox_normmax-1_00_00.png

或者，我们可以定义自己的 optimizer 函数。假设我们只对区间 [6, 7] 上的 lmbda 值感兴趣，我们希望使用带有 method='bounded' 的 scipy.optimize.minimize_scalar，我们在优化对数似然函数时希望使用更紧密的公差。为此，我们定义了一个接受位置实参 fun 的函数，并使用 scipy.optimize.minimize_scalar 在给定边界和公差约束下最小化 fun

>>> from scipy import optimize
>>> options = {'xatol': 1e-12}  # absolute tolerance on `x`
>>> def optimizer(fun):
...     return optimize.minimize_scalar(fun, bounds=(6, 7),
...                                     method="bounded", options=options)
>>> stats.boxcox_normmax(x, optimizer=optimizer)
6.000000000
本页内容