scipy.stats.logistic#
- scipy.stats.logistic = <scipy.stats._continuous_distns.logistic_gen object>[source]#
逻辑斯谛（或Sech-squared）连续随机变量。
作为
rv_continuous类的实例，logistic对象继承了它的一系列通用方法（如下所示的完整列表），并用特定于此分布的细节对其进行补充。方法
rvs(loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, loc=0, scale=1)
概率密度函数。
logpdf(x, loc=0, scale=1)
概率密度函数的对数。
cdf(x, loc=0, scale=1)
累积分布函数。
logcdf(x, loc=0, scale=1)
累积分布函数的对数。
sf(x, loc=0, scale=1)
生存函数（也定义为
1 - cdf，但sf有时更准确）。logsf(x, loc=0, scale=1)
生存函数的对数。
ppf(q, loc=0, scale=1)
百分点函数（
cdf的逆函数——百分位数）。isf(q, loc=0, scale=1)
逆生存函数（
sf的逆函数）。moment(order, loc=0, scale=1)
指定阶数的非中心矩。
stats(loc=0, scale=1, moments=’mv’)
均值（‘m’）、方差（‘v’）、偏度（‘s）和/或峰度（‘k）。
entropy(loc=0, scale=1)
(微分)熵。
fit(data)
通用数据的参数估计。有关关键字参数的详细文档，请参阅scipy.stats.rv_continuous.fit。
expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)
关于分布的函数（一个自变量）的期望值。
median(loc=0, scale=1)
分布的中位数。
mean(loc=0, scale=1)
分布的均值。
var(loc=0, scale=1)
分布的方差。
std(loc=0, scale=1)
分布的标准差。
interval(confidence, loc=0, scale=1)
中位数周围面积相等的置信区间。
附注
对于
logistic，概率密度函数为\[f(x) = \frac{\exp(-x)} {(1+\exp(-x))^2}\]logistic是genlogistic在c=1时的特例。请注意，生存函数（
logistic.sf）等于描述费米子统计的费米-狄拉克分布。上述概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用
loc和scale参数。具体来说，logistic.pdf(x, loc, scale)与logistic.pdf(y) / scale在y = (x - loc) / scale时完全等效。请注意，移动分布的位置并不会使其成为“非中心”分布；某些分布的非中心推广在单独的类中可用。示例
>>> import numpy as np >>> from scipy.stats import logistic >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支撑域
>>> lb, ub = logistic.support()
计算前四个矩
>>> mean, var, skew, kurt = logistic.stats(moments='mvsk')
显示概率密度函数（
pdf）>>> x = np.linspace(logistic.ppf(0.01), ... logistic.ppf(0.99), 100) >>> ax.plot(x, logistic.pdf(x), ... 'r-', lw=5, alpha=0.6, label='logistic pdf')
或者，可以通过调用分布对象（作为函数）来固定形状、位置和尺度参数。这将返回一个包含固定参数的“冻结”RV对象。
冻结分布并显示冻结的
pdf>>> rv = logistic() >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查
cdf和ppf的准确性>>> vals = logistic.ppf([0.001, 0.5, 0.999]) >>> np.allclose([0.001, 0.5, 0.999], logistic.cdf(vals)) True
生成随机数
>>> r = logistic.rvs(size=1000)
并比较直方图
>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2) >>> ax.set_xlim([x[0], x[-1]]) >>> ax.legend(loc='best', frameon=False) >>> plt.show()
