Создание графика распределения вероятности или сглаживания из точек, содержащих вероятности

Question

У меня есть точки, которые включают в себя вероятность по оси Y и значения по оси X, например:

p1 =
[[0.0, 0.0001430560406790707],
[10.0, 6.2797052001508247e-13],
[15.0, 4.8114669550502021e-06],
[20.0, 0.0007443231772534647],
[25.0, 0.00061070912573869406],
[30.0, 0.48116582167944905],
[35.0, 0.24698643991977953],
[40.0, 0.016407283121225951],
[45.0, 0.2557158314329116],
[50.0, 1.1252231121357235e-05],
[55.0, 0.064666668633158647],
[60.0, 1.7631447655837744e-17],
[65.0, 1.1294722466816786e-14],
[70.0, 2.9419020411134367e-16],
[75.0, 3.0887653014525822e-17],
[80.0, 4.4973693062706866e-17],
[85.0, 9.0975358174005147e-15],
[90.0, 1.0758266454985257e-10],
[95.0, 7.2923752473657924e-08],
[100.0, 1.8065366882584036e-08]]

p2 =
[[0.0, 4.1652247577331996e-06],
[10.0, 1.2212829713673957e-06],
[15.0, 6.5906857192417344e-08],
[20.0, 0.00016745946587138236],
[25.0, 0.0054431111796765554],
[30.0, 0.0067575214586160616],
[35.0, 0.00011856110316632124],
[40.0, 0.00032181662132509944],
[45.0, 0.001397981055516994],
[50.0, 0.0027058954834684062],
[55.0, 2.553142406703067e-06],
[60.0, 1.1514033594755017e-08],
[65.0, 0.21961568282994792],
[70.0, 2.4658349829099807e-08],
[75.0, 0.0022850986575076743],
[80.0, 3.5603047823624507e-06],
[85.0, 0.99406392082894734],
[90.0, 0.24399923235645221],
[95.0, 0.0013470125217945798],
[100.0, 0.042582366972883985]] 

Теперь я хочу сгенерировать распределение вероятностей из точек, где x- значения оси (0,10,15,20, ..., 100) и значения оси Y содержат вероятности (0,00014, ....)

При использовании функции plt.plot я получаю :

plt.plot([item[0] for item in p1],[item[1] for item in p1])

А для p2:

plt.plot([item[0] for item in p2],[item[1] for item in p2])

Я хочу получить более плавную визуализацию, такую ​​как распределение вероятностей:

А если распределение вероятностей невозможно, то сглаживание сплайн:

Answer 1

Scipy's gaussian_kde часто используется для плавного приближения распределения вероятностей. Суммирует ядро ​​Гаусса для каждой входной точки. Обычно в качестве входных данных используются отдельные измерения, но параметр weights позволяет работать с бин-данными. Функция нормализована, чтобы иметь ее интеграл, равный единице.

Этот подход предполагает, что значения p1 и p2 означают среднее значение для сегмента вокруг каждого значения x, аналогично гистограмме. Т.е. пошаговая функция, в которой значения x определяют конец каждого шага.

from matplotlib import pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde

p1 = np.array([[0.0, 0.0001430560406790707],
               [10.0, 6.2797052001508247e-13],
               [15.0, 4.8114669550502021e-06],
               [20.0, 0.0007443231772534647],
               [25.0, 0.00061070912573869406],
               [30.0, 0.48116582167944905],
               [35.0, 0.24698643991977953],
               [40.0, 0.016407283121225951],
               [45.0, 0.2557158314329116],
               [50.0, 1.1252231121357235e-05],
               [55.0, 0.064666668633158647],
               [60.0, 1.7631447655837744e-17],
               [65.0, 1.1294722466816786e-14],
               [70.0, 2.9419020411134367e-16],
               [75.0, 3.0887653014525822e-17],
               [80.0, 4.4973693062706866e-17],
               [85.0, 9.0975358174005147e-15],
               [90.0, 1.0758266454985257e-10],
               [95.0, 7.2923752473657924e-08],
               [100.0, 1.8065366882584036e-08]])
p2 = np.array([[0.0, 4.1652247577331996e-06],
               [10.0, 1.2212829713673957e-06],
               [15.0, 6.5906857192417344e-08],
               [20.0, 0.00016745946587138236],
               [25.0, 0.0054431111796765554],
               [30.0, 0.0067575214586160616],
               [35.0, 0.00011856110316632124],
               [40.0, 0.00032181662132509944],
               [45.0, 0.001397981055516994],
               [50.0, 0.0027058954834684062],
               [55.0, 2.553142406703067e-06],
               [60.0, 1.1514033594755017e-08],
               [65.0, 0.21961568282994792],
               [70.0, 2.4658349829099807e-08],
               [75.0, 0.0022850986575076743],
               [80.0, 3.5603047823624507e-06],
               [85.0, 0.99406392082894734],
               [90.0, 0.24399923235645221],
               [95.0, 0.0013470125217945798],
               [100.0, 0.042582366972883985]])
x = np.linspace(0, 100, 1000)
fig, axes = plt.subplots(ncols=2)
for ax, p in zip(axes, [p1, p2]):
    p[0, 0] = 5.0  # let each x-value be the end of a segment
    ax.step(p[:,0], p[:,1], color='dodgerblue', lw=1, ls=':', where='pre')
    ax2 = ax.twinx()
    kde = gaussian_kde(p[:,0]-2.5, bw_method=.25, weights=p[:,1])
    ax2.plot(x, kde(x), color='crimson')
plt.show()