[英]Power law distribution fitting in Python
我正在使用不同的 python 来拟合数据集上的密度函数。 该数据集由从 1 秒开始的正时间值组成。
我测试了不同密度函数scipy.statistics
和powerlaw
库使用,以及我自己的功能scipy.optimize
的功能curve_fit()
到目前为止,我在拟合以下“修改后的”幂律函数时获得了最佳结果:
def funct(x, alpha, x0):
return((x+x0)**(-alpha))
我的代码如下:
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='.')
拟合为 x0 返回 8.48 的值,为 alpha 返回 1.40 的值。 在 loglog 图中,数据和拟合图如下所示:
opt.curve_fit
在不断变化的(X + X0)到(X-X0)时, funct
的功能? 由于我对 x0 的界限是 (-inf, +inf),我期待拟合返回 -8.48。/anaconda3/lib/python3.7/site-packages/ipykernel_launcher.py:3: 运行时警告:在倒数中遇到除以零 这与 ipykernel 包分开,因此我们可以避免进行导入,直到 ValueError: Residuals are not in the initial观点。
这是很多问题,因为我对这个主题非常陌生,任何评论和回答,即使是部分的,都将不胜感激!
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.