相关疑难解决方法(0)

我想使用python将对数正态分布拟合到我的数据中scipy.stats.lognormal.fit.根据手册,fit返回shape,loc,scale参数.但是,对数正态分布通常只需要两个参数:均值和标准差.

如何解释scipy fit函数的结果？如何获得mean和std.dev.

我在stackoverflow中看到了几个关于如何适应的问题log-normal distribution.我还需要知道两个澄清.

我有一个样本数据,其对数遵循正态分布.所以我可以使用scipy.stats.lognorm.fit(即a log-normal distribution)拟合数据

适合工作正常,也给我标准偏差.这是我的一段代码与结果.

sample = np.log10(data) #taking the log10 of the data

scatter,loc,mean = stats.lognorm.fit(sample) #Gives the paramters of the fit 

x_fit = np.linspace(13.0,15.0,100)
pdf_fitted = stats.lognorm.pdf(x_fit,scatter,loc,mean) #Gives the PDF

print "scatter for data is %s" %scatter
print "mean of data is %s" %mean  

结果

scatter for data is 0.186415047243
mean for data is 1.15731050926

From the image you can clearly see that the mean is around 14.2, but what I get …

- - 样本 - -

我有一个数据集（示例），其中包含 1维数组中的 1 000 个损坏值（这些值非常小 <1e-6）（请参阅随附的 .json 文件）。样本似乎遵循对数正态分布：

--- 问题和我已经尝试过的东西 ---

我尝试了这篇文章中的建议，用 Scipy (Python) 将经验分布拟合到理论分布？和这篇文章Scipy：对数正态拟合通过对数正态分布拟合我的数据。这些都不起作用。:(

我总是在 Y 轴上得到一些非常大的东西，如下所示：

这是我在 Python 中使用的代码（data.json文件可以从这里下载）：

from matplotlib import pyplot as plt
from scipy import stats as scistats
import json
with open("data.json", "r") as f:
  sample = json.load(f) # load data: a 1000 * 1 array with many small values( < 1e-6)
fig, axis = plt.subplots() …