使用 Python 在统计学中显示幂对数正态分布
在本文中，我们将了解幂对数正态分布及其应用和用途。我们将学习借助 PDF 和 CDF 等不同方法来分析分布。在此之前，让我们先看看什么是幂正态分布。
幂对数正态分布
幂对数正态分布是对数正态分布的变体。唯一的区别是，我们通过将幂变换应用于对数正态分布来获得幂对数正态分布。幂正态分布和幂对数正态分布之间的区别在于，幂正态分布是正态分布的变体，而幂对数正态分布是对数正态分布的变体。它们都具有可以定义分布形状的功率参数。
让我们使用各种方法查看功率对数正态分布 -
方法 1:随机数生成
在此方法中，我们将从功率对数正态分布中生成随机数。为了生成随机数，我们使用 scipy.stats 模块。
示例
from scipy.stats import powerlognorm
import numpy as np
import matplotlib.pyplot as plt
c, s = 2.14, 0.446
x = 0.5
random_numbers = powerlognorm.rvs(c, s, size=1000)
plt.hist(random_numbers, bins=30, density=True, alpha=0.5)
plt.xlabel('Values')
plt.ylabel('Probability')
plt.title('Power Log-Normal Distribution')
plt.show()
输出
解释
在此方法中，我们从 scipy.stats 导入了 powerlognorm 类。这里我们有参数 c、s(位置参数和形状参数)。使用 powerlognorm.rvs() 我们从功率对数正态分布中生成 1000 个随机值，并绘制了这些随机值的直方图。
在函数中，我们从 scipy.stats 模块导入了 powerlognorm 类，用于处理功率对数正态分布。这里 c 是位置，s 是形状参数。为了计算任何给定点的 PDF，我们使用 pdf() 函数。
方法 2:概率密度函数 (PDF)
功率对数正态分布 PDF 观察特定值的概率。它用于定义任何随机变量的概率。要分析任何特定点的 PDF，我们将使用 pdf() 方法。
示例
from scipy.stats import powerlognorm import numpy as np import matplotlib.pyplot as plt c, s = 2.14, 0.446 x = 1.5 pdf_ = powerlognorm.pdf(x, c, s) print(pdf_)
输出
0.12076527710927452
解释
在此函数中，我们从 scipy.stats 模块导入 powerlognorm 类。我们使用 pdf() 函数计算 PDF，并将参数作为位置和形状传递到 pdf 函数中。
方法 3:累积分布函数 (CDF)
在此方法中，我们将使用累积分布函数的 PDF 来描述小于或等于值 x 的随机变量的值。我们可以使用 cdf() 函数计算 CDF。
示例
from scipy.stats import powerlognorm import numpy as np import matplotlib.pyplot as plt c, s = 2.14, 0.446 x = 1.5 cdf_ = powerlognorm.cdf(x, c, s) print(cdf_)
输出
0.9740141301157031
解释
在此函数中，我们从 scipy.stats 模块导入了 powernorm 类，用于处理功率对数正态分布。
方法 3:可视化功率对数正态分布
让我们可视化功率对数正态分布。
示例
from scipy.stats import powerlognorm
import numpy as np
import matplotlib.pyplot as plt
c, s = 2.14, 0.446
r = powerlognorm.rvs(c,s, size=1000)
plt.hist(r, bins=30, density=True, alpha=0.5)
plt.title('Power Log-Normal Distribution')
plt.xlabel('Values')
plt.ylabel('Probab')
plt.show()
输出
解释
我们导入了用于处理功率对数正态分布和绘制图形的库。与往常一样，我们使用 powerlognorm.rvs() 方法从功率对数正态分布中生成 1000 个随机值。使用直方图中的 hist() 函数绘制了图形。
因此，在本文中，我们将了解功率对数正态分布。我们看到了使用 PDF 的各种方法，包括生成随机变量、计算 PDF、CDF 以及使用直方图可视化分布。此外，我们还了解了如何将数据拟合到(概率密度函数)PDF 中。
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/
