Степенной закон распределения распределения в Python - PullRequest
Новая
       108

Степенной закон распределения распределения в Python

0 голосов
/ 02 апреля 2020

Я использую разные python для подбора функций плотности в наборе данных. Этот набор данных состоит из положительных значений времени, начиная с 1 секунды.

Я тестировал различные функции плотности из scipy.statistics и библиотеки powerlaw, а также свои собственные функции, используя функцию scipy.optimize curve_fit().

До сих пор я получал наилучшие результаты при подборе следующей «модифицированной» степенной функции: 

def funct(x, alpha, x0):
    return((x+x0)**(-alpha))

Мой код выглядит следующим образом: 

bins = range(1,int(s_distrib.max())+2,1)
y_data, x_data = np.histogram(s_distrib, bins=bins, density=True)
x_data = x_data[:-1]

param_bounds=([0,-np.inf],[np.inf,np.inf])
fit = opt.curve_fit(funct,
                    x_data,
                    y_data,
                    bounds=param_bounds) # you can pass guess for the parameters/errors
alpha,x0 = fit[0]
print(fit[0])

C = 1/integrate.quad(lambda t: funct(t,alpha,x0),1,np.inf)[0]

# Calculate fitted PDF and error with fit in distribution
pdf = [C*funct(x,alpha,x0) for x in x_data]
sse = np.sum(np.power(y_data - pdf, 2.0))
print(sse)

fig, ax = plt.subplots(figsize=(6,4))
ax.loglog(x_data, y_data, basex=10, basey=10,linestyle='None',  marker='.')
ax.loglog(x_data, pdf, basex=10, basey=10,linestyle='None',  marker='.')

Подгонка возвращает значение 8,48 для x0 и 1,40 для альфы. На графике журнала данные и график соответствия выглядят так:

plot

  • Мой первый вопрос технический . Почему я получаю следующее предупреждение и ошибку в opt.curve_fit при изменении (x + x0) на (x-x0) в функции funct? Поскольку мои оценки для x0 равны (-inf, + inf), я ожидал, что фитинг вернет -8.48.

/ anaconda3 / lib / python3 .7 / site-packages /ipykernel_launcher.py:3: RuntimeWarning: деление на ноль, встречающееся в обратном. Это отдельно от пакета ipykernel, поэтому мы можем избегать выполнения импорта до тех пор, пока ValueError: Остатки не являются конечными в начальной точке.

  • Другие мои вопросы теоретические . Является ли (x + x0) ^ (- alpha) стандартным распределением? Что представляет собой значение x0, как физически интерпретировать это значение 8.48s? Из того, что я понимаю, это означает, что мое распределение соответствует сдвинутому распределению по степенному закону? Могу ли я считать, что x0 соответствует значению xmin, классически необходимому при подгонке данных к мощности l aws?
  • Что касается этого значения xmin, я понимаю, что имеет смысл рассматривать только данные, превышающие этот порог для процесс подбора, чтобы охарактеризовать хвост распределения. Однако мне интересно, каков стандартный способ характеризации полных данных с помощью распределения, которое было бы степенным законом после xmin и чем-то еще до xmin.

Это много вопросов, как и я очень незнаком с предметом, любые комментарии и ответы, даже частичные, будут очень благодарны!

1 Ответ

1 голос
/ 02 апреля 2020

Является ли (x + x0) ^ (- alpha) стандартным дистрибутивом?

Чтобы ответить на ваш второй вопрос, да, это стандартный дистрибутив, называемый Zipf-дистрибуция . Он также реализован в Python / NumPy .

Что представляет собой значение x0

, это параметр сдвига. Любое распределение поверх стандартных параметров (например, параметр мощности в Zipf) может иметь параметры сдвига и масштаба, которые в основном говорят, что ваши значения X измеряются в разных единицах с разной исходной точкой.

Относительно этого значения xmin Я понимаю, что может иметь смысл рассматривать только данные, превышающие этот порог, для процесса подбора для характеристики хвоста распределения.

Так определяется закон Ципфа от 0 до бесконечности. , Изменение означает, что ваше происхождение будет другим

...