scipy.stats.

rv_histogram

class scipy.stats.rv_histogram(histogram, *args, density=None, **kwargs)

根据直方图生成分布。这对于从分箱数据样本生成模板分布很有用。

作为 rv_continuous 类的子类，rv_histogram 从它继承了一组通用方法（请参阅 rv_continuous 获取完整列表），并根据提供的分箱数据样本的属性实现它们。

参数:

histogramarray_like 元组

包含两个类似数组的对象的元组。第一个包含 n 个箱的内容，第二个包含 (n+1) 个箱边界。特别是，接受 numpy.histogram 的返回值。

densitybool，可选

如果为 False，则假设直方图与每个箱的计数成比例；否则，假设它与密度成比例。对于恒定的箱宽度，这些是等效的，但当箱宽度变化时，这种区别很重要（请参阅注释）。如果为 None（默认值），则为了向后兼容性，设置 density=True，但如果箱宽度可变，则发出警告。显式设置 density 以消除警告。

在 1.10.0 版本中添加。

注释

当直方图具有不相等的箱宽度时，与每个箱的计数成比例的直方图和与箱上的概率密度成比例的直方图之间存在区别。如果使用其默认 density=False 调用 numpy.histogram，则生成的直方图是每个箱的计数数，因此应将 density=False 传递给 rv_histogram。如果使用 density=True 调用 numpy.histogram，则生成的直方图以概率密度表示，因此应将 density=True 传递给 rv_histogram。为了避免警告，当输入直方图具有不相等的箱宽度时，始终显式传递 density。

除了 loc 和 scale 之外，没有其他形状参数。pdf 定义为来自提供的直方图的阶梯函数。cdf 是 pdf 的线性插值。

在 0.19.0 版本中添加。

示例

在您的浏览器中尝试一下！

从 numpy 直方图创建 scipy.stats 分布

>>> import scipy.stats
>>> import numpy as np
>>> data = scipy.stats.norm.rvs(size=100000, loc=0, scale=1.5,
...                             random_state=123)
>>> hist = np.histogram(data, bins=100)
>>> hist_dist = scipy.stats.rv_histogram(hist, density=False)

行为类似于普通的 scipy rv_continuous 分布

>>> hist_dist.pdf(1.0)
0.20538577847618705
>>> hist_dist.cdf(2.0)
0.90818568543056499

PDF 在直方图的最高（最低）箱之上（之下）为零，由原始数据集的最大值（最小值）定义

>>> hist_dist.pdf(np.max(data))
0.0
>>> hist_dist.cdf(np.max(data))
1.0
>>> hist_dist.pdf(np.min(data))
7.7591907244498314e-05
>>> hist_dist.cdf(np.min(data))
0.0

PDF 和 CDF 遵循直方图

>>> import matplotlib.pyplot as plt
>>> X = np.linspace(-5.0, 5.0, 100)
>>> fig, ax = plt.subplots()
>>> ax.set_title("PDF from Template")
>>> ax.hist(data, density=True, bins=100)
>>> ax.plot(X, hist_dist.pdf(X), label='PDF')
>>> ax.plot(X, hist_dist.cdf(X), label='CDF')
>>> ax.legend()
>>> fig.show()

返回在新标签页中打开

属性:

random_state

获取或设置用于生成随机变量的生成器对象。

方法

__call__(*args, **kwds)	为给定的参数冻结分布。
cdf(x, *args, **kwds)	给定 RV 的累积分布函数。
entropy(*args, **kwds)	RV 的微分熵。
expect([func, args, loc, scale, lb, ub, ...])	通过数值积分计算相对于分布的函数的期望值。
fit(data, *args, **kwds)	从数据返回形状（如果适用）、位置和比例参数的估计值。
fit_loc_scale(data, *args)	使用第 1 和第 2 矩估计数据的位置和比例参数。
freeze(*args, **kwds)	为给定的参数冻结分布。
interval(confidence, *args, **kwds)	置信区间，其面积在中间值周围相等。
isf(q, *args, **kwds)	给定 RV 的 q 处的逆生存函数（sf 的逆函数）。
logcdf(x, *args, **kwds)	给定 RV 的 x 处的累积分布函数的对数。
logpdf(x, *args, **kwds)	给定 RV 的 x 处的概率密度函数的对数。
logsf(x, *args, **kwds)	给定 RV 的生存函数的对数。
mean(*args, **kwds)	分布的均值。
median(*args, **kwds)	分布的中位数。
moment(order, *args, **kwds)	指定阶数的分布的非中心矩。
nnlf(theta, x)	负对数似然函数。
pdf(x, *args, **kwds)	给定 RV 的 x 处的概率密度函数。
ppf(q, *args, **kwds)	给定随机变量在 q 处的百分点函数（cdf 的反函数）。
rvs(*args, **kwds)	给定类型的随机变量。
sf(x, *args, **kwds)	给定随机变量在 x 处的生存函数 (1 - cdf)。
stats(*args, **kwds)	给定随机变量的一些统计信息。
std(*args, **kwds)	分布的标准差。
support(*args, **kwargs)	分布的支撑集。
var(*args, **kwds)	分布的方差。