直方图拟合与python

Question

我一直在冲浪,但没有找到正确的方法来执行以下操作.

我用matplotlib完成了直方图:

hist, bins, patches = plt.hist(distance, bins=100, normed='True')

从图中,我可以看到分布或多或少是指数(泊松分布).考虑到我的hist和bin数组,我怎样才能做到最佳拟合？

UPDATE

我使用以下方法:

x = np.float64(bins) # Had some troubles with data types float128 and float64
hist = np.float64(hist)
myexp=lambda x,l,A:A*np.exp(-l*x)
popt,pcov=opt.curve_fit(myexp,(x[1:]+x[:-1])/2,hist)

但我明白了

---> 41 plt.plot(stats.expon.pdf(np.arange(len(hist)),popt),'-')

ValueError: operands could not be broadcast together with shapes (100,) (2,)

Answer 1

您所描述的是一种指数分布形式,并且您希望在给定数据中观察到的概率密度的情况下估计指数分布的参数.不使用非线性回归方法(假设残差误差是高斯分布的),一种正确的方法可以说是MLE(最大似然估计).

scipy在其stats库中提供大量连续分布,并且使用该.fit()方法实现MLE .当然,指数分布是存在的:

In [1]:

import numpy as np
import scipy.stats as ss
import matplotlib.pyplot as plt
%matplotlib inline
In [2]:
#generate data 
X = ss.expon.rvs(loc=0.5, scale=1.2, size=1000)

#MLE
P = ss.expon.fit(X)
print P
(0.50046056920696858, 1.1442947648425439)
#not exactly 0.5 and 1.2, due to being a finite sample

In [3]:
#plotting
rX = np.linspace(0,10, 100)
rP = ss.expon.pdf(rX, *P)
#Yup, just unpack P with *P, instead of scale=XX and shape=XX, etc.
In [4]:

#need to plot the normalized histogram with `normed=True`
plt.hist(X, normed=True)
plt.plot(rX, rP)
Out[4]:

你的distance意志将取代X.