怎么看样本数据特征的分布?如何通过样本数据推断其分布
怎么看样本数据特征的分布?如何通过样本数据推断其分布举个例子。现有一家水煮鱼饭馆,观察到了顾客到来的时间间隔见 data.txt,老板想知道它服从什么分布。于是,我们可以用 fit() 从数据里面先估出分布的参数,然后再用ks test测试其是否满足分布,就可以得出数据到底服从什么分布了。我们以 KS 测试为例。KS 具体理论很多书籍都有详细解释,这里不再重复。有兴趣的朋友可以关注后回复 ks 获取相关资料。Scipy 的统计模块 stats,可以做 ks 测试。但有个问题是,分布参数需要我们提供。比如指数分布,其概率密度函数为这里的 lambda就需要我们自己提供。好在scipy里面有现成的方法可以从数据估算参数,就是用分布函数的fit方法。
1. 问题运筹模拟的时候,我们通常会给定,某事件服从正态分布/指数分布之类。问题是,我们通常只能观察到样本数据,没有办法观察到其具体服从的分布。所谓服从什么分布,是需要我们从样本数据推测的。
那么问题来了,怎样从数据推测出其所服从的分布(goodness of fit)呢?
2. 分析市面上有一些专业的统计软件,可以做到从数据到分布的推测。比如Stat::Fit。但289美元的价格可着实不低。所以我们需要另想办法。
常见分布匹配的方法有很多,比如
- Bayesian information criterion
- Kolmogorov–Smirnov test
- Cramér–von Mises criterion
- Anderson–Darling test
- Shapiro–Wilk test
- Chi-squared test
我们以 KS 测试为例。KS 具体理论很多书籍都有详细解释,这里不再重复。有兴趣的朋友可以关注后回复 ks 获取相关资料。
Scipy 的统计模块 stats,可以做 ks 测试。但有个问题是,分布参数需要我们提供。比如指数分布,其概率密度函数为
这里的 lambda就需要我们自己提供。好在scipy里面有现成的方法可以从数据估算参数,就是用分布函数的fit方法。
于是,我们可以用 fit() 从数据里面先估出分布的参数,然后再用ks test测试其是否满足分布,就可以得出数据到底服从什么分布了。
举个例子。现有一家水煮鱼饭馆,观察到了顾客到来的时间间隔见 data.txt,老板想知道它服从什么分布。
importscipy.statsasstats
importnumpyasnp
importmatplotlib.pyplotasplt
data=np.loadtxt('data.txt' delimiter=' ' encoding='utf8')
dists={'norm':stats.norm 'lognorm':stats.lognorm 'expon':stats.expon}
fordindists:
paras=dists[d].fit(data)
test=stats.kstest(data dists[d].cdf paras)
print('{:1}\tpvalue:{:2}'.format(d test[-1]))
可以得出结果
norm pvalue:0.18025230160179895
lognorm pvalue:0.703843693432498
expon pvalue:0.705389895669437
可见,这个最可能服从指数分布,其 loc = 0.1076,scale = 5.56。
打印其结果如下
x = np.arange(0 20 0.01)
paras = stats.norm.fit(data)
ynorm = stats.norm.pdf(x paras[0] paras[1])
paras = stats.lognorm.fit(data)
ylognorm = stats.lognorm.pdf(x paras[0] paras[1] paras[2])
paras = stats.expon.fit(data)
yexpon = stats.expon.pdf(x paras[0] paras[1])
fig ax = plt.subplots()
ax.plot(x ynorm label='norm')
ax.plot(x ylognorm label='lognorm')
ax.plot(x yexpon label='expon')
ax.legend()
结果为
3. 扩展今天我们大致讨论了如何用 scipy 模块判断样本数据所服从的分布。通过上面的例子我们可以看到,在 70% 左右的置信度上,数据既可能服从指数分布,也可能服从对数正态分布。
其实这也正常。理论分布是我们用来解释世界的一种手段,我们的真是世界到底服从什么分布,从样本是无法确定的。就像上面的图形,expon 和 lognorm 长得也真挺像。
另外,所谓一力降十会,咱有了一个 Python,就可以看淡世间所有繁华。就像有了刘亦菲,还要什么杨幂和阿娇?
4. 交流独学而无友则孤陋寡闻。现有「数据与统计科学」微信交流群,内有数据行业资深从业人员、海外博士、硕士等,欢迎对数据科学、数据分析、机器学习、人工智能有兴趣的朋友加入,一起学习讨论。
大家可以扫描下面二维码,添加荔姐微信邀请加入,暗号:机器学习加群。
Lily
5. 延伸阅读- Numpy 中如何对矩阵的特征对排序
- Python 中怎样合并数据
- NumPy 运算规则总结
- W. McKinney Python for Data Analysis. Beijing: O’Reilly 2017.
- J. VanderPlas Python Data Science Handbook. Beijing: O’Reilly 2016.
Data2Science