Подгонка гамма-распределения с (python) Scipy

Question

Может кто-нибудь помочь мне с настройкой гамма-дистрибутива в python? Ну, у меня есть некоторые данные: координаты X и Y, и я хочу найти гамма-параметры, которые соответствуют этому распределению ... В Scipy doc оказывается, что метод подгонки действительно существует, но Я не знаю, как его использовать: s .. Во-первых, в каком формате должен быть аргумент «данные» и как я могу предоставить второй аргумент (параметры), поскольку это то, что я ищу?

Answer 1

Генерирует некоторые гамма-данные:

import scipy.stats as stats    
alpha = 5
loc = 100.5
beta = 22
data = stats.gamma.rvs(alpha, loc=loc, scale=beta, size=10000)    
print(data)
# [ 202.36035683  297.23906376  249.53831795 ...,  271.85204096  180.75026301
#   364.60240242]

Здесь мы подгоняем данные к гамма-распределению:

fit_alpha, fit_loc, fit_beta=stats.gamma.fit(data)
print(fit_alpha, fit_loc, fit_beta)
# (5.0833692504230008, 100.08697963283467, 21.739518937816108)

print(alpha, loc, beta)
# (5, 100.5, 22)

Answer 2

Я был недоволен функцией ss.gamma.rvs, так как она может генерировать отрицательные числа, чего, как предполагается, не имеет гамма-распределение. Таким образом, я подобрал выборку по ожидаемому значению = среднее (данные) и дисперсии = переменная (данные) (подробности см. В Википедии) и написал функцию, которая может давать случайные выборки гамма-распределения без scipy (который мне трудно установить правильно, на заметку):

import random
import numpy

data = [6176, 11046, 670, 6146, 7945, 6864, 767, 7623, 7212, 9040, 3213, 6302, 10044, 10195, 9386, 7230, 4602, 6282, 8619, 7903, 6318, 13294, 6990, 5515, 9157]

# Fit gamma distribution through mean and average
mean_of_distribution = numpy.mean(data)
variance_of_distribution = numpy.var(data)

def gamma_random_sample(mean, variance, size):
    """Yields a list of random numbers following a gamma distribution defined by mean and variance"""
    g_alpha = mean*mean/variance
    g_beta = mean/variance
    for i in range(size):
        yield random.gammavariate(g_alpha,1/g_beta)

# force integer values to get integer sample
grs = [int(i) for i in gamma_random_sample(mean_of_distribution,variance_of_distribution,len(data))]

print("Original data: ", sorted(data))
print("Random sample: ", sorted(grs))

# Original data: [670, 767, 3213, 4602, 5515, 6146, 6176, 6282, 6302, 6318, 6864, 6990, 7212, 7230, 7623, 7903, 7945, 8619, 9040, 9157, 9386, 10044, 10195, 11046, 13294]
# Random sample:  [1646, 2237, 3178, 3227, 3649, 4049, 4171, 5071, 5118, 5139, 5456, 6139, 6468, 6726, 6944, 7050, 7135, 7588, 7597, 7971, 10269, 10563, 12283, 12339, 13066]

Answer 3

Если вам нужен длинный пример, включающий обсуждение оценки или исправления поддержки дистрибутива, вы можете найти его в https://github.com/scipy/scipy/issues/1359 и в сообщении связанного списка рассылки.

Предварительная поддержка для исправления параметров, таких как местоположение, во время посадки была добавлена ​​в магистральную версию scipy.

Answer 4

1): переменная «data» может быть в формате списка или кортежа python или numpy.ndarray, который можно получить с помощью:

data=numpy.array(data)

где вторые данные в вышеприведенной строке должны быть списком или кортежем, содержащим ваши данные.

2: переменная «параметр» - это первое предположение, которое вы можете опционально предоставить функции подгонки в качестве отправной точки для процесса подгонки, поэтому ее можно опустить.

3: примечание к ответу @ mondano. Использование моментов (среднее значение и отклонения) для расчета гамма-параметров достаточно хорошо для больших параметров формы (альфа> 10), но может дать плохие результаты для малых значений альфа (см. Статистические методы в атмосферных измерениях Уилксом и THOM, HCS, 1958: примечание о гамма-распределении. Понедельник. Wea. Rev., 86, 117–122.

Использование оценок максимального правдоподобия, реализованных в модуле scipy, считается лучшим выбором в таких случаях.