使用 Python 显示统计学中的幂函数分布
在本文中，我们将了解统计学中的幂函数分布。我们将检查可用于分析幂函数分布的各种方法。在这篇文章中，我们还将了解如何在需要时拟合幂函数分布。在此之前，让我们先了解什么是幂函数分布。
幂函数分布
这是用于对数据进行建模的连续概率分布。使用幂函数，我们可以分析产生一定影响的小事件。使用幂函数，我们可以获得有关罕见事件的详细信息，识别异常值，还可以对极值进行预测。
方法 1:使用 NumPy
在此方法中，我们将使用 NumPy 库中的 random.number.power 函数从幂函数分布生成随机数。我们还可以根据需要将形状和大小等参数传递给函数。
示例
import numpy as np alpha = 2.0 random_numbers = np.random.power(alpha, size=50) print(random_numbers)
输出
[0.66577177 0.1679034 0.95589386 0.52785199 0.74796992 0.98980016 0.56024262 0.93486863 0.74621463 0.34786775 0.68608517 0.75162506 0.99800817 0.77750768 0.2619546 0.71702682 0.98451869 0.9473717 0.6938956 0.62181687 0.87593638 0.97820392 0.61942659 0.3998725 0.60715901 0.41922618 0.69290475 0.22384672 0.94772692 0.42051637 0.37011727 0.46666447 0.80132086 0.51449008 0.70068973 0.48051619 0.97054498 0.47957822 0.58914979 0.68553321 0.27976004 0.46894656 0.82430862 0.66817431 0.54340906 0.61010354 0.61893109 0.0923075 0.08385714 0.94302131]
解释
在上面的函数中，我们定义了形状参数，然后使用幂函数分布生成 50 个随机数。
random_numbers = np.random.power(alpha, size=50)
结果数组将包含所有这些生成的数字。
方法 2:使用 SciPy
在此方法中，我们将使用 SciPy 库中的 scipy.Stats.Expon 模块。此模块提供了多种处理指数函数分布的技术。我们可以使用 rvs 函数生成随机数并计算 pdf 和 cdf。
示例
from scipy.stats import expon alpha = 2.0 random_numbers = expon.rvs(scale=alpha, size=100) x = 0.5 pdf_value = expon.pdf(x, scale=alpha) cdf_value = expon.cdf(x, scale=alpha) print(cdf_value)
输出
0.22119921692859515
解释
在这个程序中，我们从 expon 函数生成 50 个随机数，其形状参数如下2.0. 生成数字后，我们使用 rvs 函数计算某个点 x 的 pdf 和 cdf。
方法 3:使用 Searborn
在此方法中，我们将使用 np.random.power，它将从幂函数分布中生成随机数。使用 hist 函数，我们将显示生成的随机数的直方图。
示例
import seaborn as sns random_num = np.random.power(2.0, size=1000) sns.distplot(random_num, hist=True, kde=True, bins=30)
输出
解释
在此函数中，我们首先使用幂函数分布生成随机数。这是生成随机数的行。
random_num = np.random.power(2.0, size=1000)
生成随机数后，我们将使用 matplotlib 库中的 distplot 函数绘制直方图以可视化数据。
方法 4. 使用 Matplotlib
它是著名的 Python 库，用于绘制图形并绘制数据的可视化表示。我们将使用 matplotlib 中的 plot 函数来可视化幂函数分布。
示例
import matplotlib.pyplot as plt
random_num = np.random.power(2.0, size=1000)
plt.hist(random_numbers, bins=30, density=True, alpha=0.5)
plt.xlabel('Values')
plt.ylabel('Probab')
plt.title('Power-fn Distribution')
plt.show()
输出
解释
在此方法中，我们使用 np.random.power 从幂函数分布中生成随机数。我们使用 matplotlib 库中的 hist 函数显示生成的随机数的直方图。
方法 5. 将分布拟合到数据
在使用 Python 时，有时您会遇到需要拟合幂函数分布的情况。因此，为了执行拟合，我们使用 scipy.stats.exponpow 模块中的 fit 方法，该方法可以根据数据估计形状参数。
示例
from scipy.stats import exponpow import numpy as np data = np.array([0.5, 0.6, 0.7, 0.8, 0.9]) params = exponpow.fit(data) random_num = exponpow.rvs(*params, size=50) print(random_num)
输出
[0.50115245 0.60597359 0.94355261 1.11336666 0.55644219 1.14871851 0.83830517 0.84752829 0.52997894 0.79574141 0.59136949 0.67407663 0.70188119 0.64854262 0.62878517 0.75472879 0.60225659 0.67842203 0.96134614 0.72039852 0.56041962 0.50058046 0.84463519 0.74643548 0.60791998 0.52271536 0.79289889 0.65340353 0.92378584 0.51754508 0.51642979 0.71560587 0.69216641 0.59897395 0.80894948 0.50057274 0.77434037 0.51578354 0.63737268 0.55335583 0.82872006 0.66339485 0.50978196 0.68614946 0.73608196 0.58178696 0.85285616 1.03381135 0.76055906 1.18414065]
因此，我们了解了显示幂函数分布的各种方法。
我们学习了如何从幂函数生成随机数并计算 PDF(概率密度函数)和 CDF(累积分布函数)。使用 Seaborn 和 Matplotlib，我们可以绘制任何统计数据的视觉表示。
相关文章
有用资源
python 参考教程 - 该教程包含有关 python 的更多信息:https://www.cainiaomax.com/python/
