boxcox_normmax#
- scipy.stats.boxcox_normmax(x, brack=None, method='pearsonr', optimizer=None, *, ymax=BIG_FLOAT)[source]#
计算输入数据的最佳 Box-Cox 变换参数。
- 参数:
- xarray_like
输入数组。所有条目必须为正、有限、实数。
- brack2-tuple, optional, default (-2.0, 2.0)
对于默认的 optimize.brent 求解器,用于下坡括号搜索的起始区间。请注意,在大多数情况下,这并不重要;最终结果允许超出此括号。如果传递了 optimizer,则 brack 必须为 None。
- methodstr, optional
用于确定最佳变换参数的方法 (
boxcox
lmbda
参数)。选项有- ‘pearsonr’ (默认)
最大化
y = boxcox(x)
与y
的期望值之间的 Pearson 相关系数,如果 x 服从正态分布。- ‘mle’
最大化对数似然
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。用于比较不同的方法。
- optimizercallable, optional
optimizer 是一个接受一个参数的可调用对象
- funcallable
要最小化的目标函数。fun 接受一个参数,Box-Cox 变换参数 lmbda,并返回函数(例如,负对数似然)在提供的参数处的值。optimizer 的工作是找到 最小化 fun 的 lmbda 的值。
并返回一个对象,例如
scipy.optimize.OptimizeResult
的实例,该实例在其属性 x 中保存 lmbda 的最佳值。有关更多信息,请参见下面的示例或
scipy.optimize.minimize_scalar
的文档。- ymaxfloat, optional
不受约束的最佳变换参数可能导致 Box-Cox 变换的数据具有极大的量级,甚至溢出。此参数约束 MLE 优化,使得变换后的 x 的大小不超过 ymax。默认值为输入 dtype 的最大值。如果设置为无穷大,
boxcox_normmax
将返回不受约束的最佳 lambda。当method='pearsonr'
时忽略。
- 返回值:
- maxlogfloat 或 ndarray
找到的最佳变换参数。对于
method='all'
,是一个数组而不是一个标量。
示例
>>> import numpy as np >>> from scipy import stats >>> import matplotlib.pyplot as plt
我们可以生成一些数据,并以各种方式确定最佳
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()
或者,我们可以定义自己的 optimizer 函数。假设我们只对区间 [6, 7] 中的 lmbda 值感兴趣,我们想使用
scipy.optimize.minimize_scalar
和method='bounded'
,并且我们希望在优化对数似然函数时使用更严格的容差。为此,我们定义一个函数,该函数接受位置参数 fun 并使用scipy.optimize.minimize_scalar
在提供的边界和容差范围内最小化 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