scipy.stats.zipf#
- scipy.stats.zipf = <scipy.stats._discrete_distns.zipf_gen object>[source]#
一个 Zipf (Zeta) 离散随机变量。
作为
rv_discrete
类的实例,zipf
对象继承了它的一系列通用方法(请参见下面的完整列表),并使用此特定分布的详细信息对其进行补充。方法
rvs(a, loc=0, size=1, random_state=None)
随机变量。
pmf(k, a, loc=0)
概率质量函数。
logpmf(k, a, loc=0)
概率质量函数的对数。
cdf(k, a, loc=0)
累积分布函数。
logcdf(k, a, loc=0)
累积分布函数的对数。
sf(k, a, loc=0)
生存函数(也定义为
1 - cdf
,但 sf 有时更准确)。logsf(k, a, loc=0)
生存函数的对数。
ppf(q, a, loc=0)
百分点函数(
cdf
的逆函数 - 百分位数)。isf(q, a, loc=0)
逆生存函数(
sf
的逆函数)。stats(a, loc=0, moments=’mv’)
均值('m'),方差('v'),偏度('s')和/或峰度('k')。
entropy(a, loc=0)
RV 的(微分)熵。
expect(func, args=(a,), loc=0, lb=None, ub=None, conditional=False)
关于分布的函数(一个参数)的期望值。
median(a, loc=0)
分布的中位数。
mean(a, loc=0)
分布的均值。
var(a, loc=0)
分布的方差。
std(a, loc=0)
分布的标准差。
interval(confidence, a, loc=0)
中位数周围具有相等面积的置信区间。
另请参阅
注释
zipf
的概率质量函数为\[f(k, a) = \frac{1}{\zeta(a) k^a}\]对于 \(k \ge 1\), \(a > 1\)。
zipf
将 \(a > 1\) 作为形状参数。 \(\zeta\) 是黎曼 zeta 函数 (scipy.special.zeta
)Zipf 分布也称为 zeta 分布,它是 Zipfian 分布的特例 (
zipfian
)。上面的概率质量函数以“标准化”形式定义。 要移动分布,请使用
loc
参数。 具体来说,zipf.pmf(k, a, loc)
与zipf.pmf(k - loc, a)
完全等效。参考文献
[1]“Zeta Distribution”, Wikipedia, https://en.wikipedia.org/wiki/Zeta_distribution
示例
>>> import numpy as np >>> from scipy.stats import zipf >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支持
>>> a = 6.6 >>> lb, ub = zipf.support(a)
计算前四个矩
>>> mean, var, skew, kurt = zipf.stats(a, moments='mvsk')
显示概率质量函数 (
pmf
)>>> x = np.arange(zipf.ppf(0.01, a), ... zipf.ppf(0.99, a)) >>> ax.plot(x, zipf.pmf(x, a), 'bo', ms=8, label='zipf pmf') >>> ax.vlines(x, 0, zipf.pmf(x, a), colors='b', lw=5, alpha=0.5)
或者,可以调用分布对象(作为函数)来固定形状和位置。 这将返回一个“冻结的” RV 对象,该对象固定了给定的参数。
冻结分布并显示冻结的
pmf
>>> rv = zipf(a) >>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1, ... label='frozen pmf') >>> ax.legend(loc='best', frameon=False) >>> plt.show()
检查
cdf
和ppf
的准确性>>> prob = zipf.cdf(x, a) >>> np.allclose(x, zipf.ppf(prob, a)) True
生成随机数
>>> r = zipf.rvs(a, size=1000)
确认
zipf
是zipfian
的 large n 限制。>>> import numpy as np >>> from scipy.stats import zipf, zipfian >>> k = np.arange(11) >>> np.allclose(zipf.pmf(k, a), zipfian.pmf(k, a, n=10000000)) True