Pythonを使用してqq-plotをどのように作成しますか？
多数の測定値があり、XY値を入力として受け取るプロット関数を使用していると仮定します。この関数は、測定値の分位数を、ある分布（正規、均一...）の対応する分位数に対してプロットする必要があります。
結果のプロットでは、仮定された分布に従うかどうかを測定で評価できます。
http://en.wikipedia.org/wiki/Quantile-quantile_plot
RとMatlabはどちらもこのための既製の関数を提供しますが、Pythonで実装するための最もクリーンな方法は何でしょうか。
回答:
私はそれscipy.stats.probplotがあなたが望むことをするだろうと思います。詳細については、ドキュメントを参照してください。
import numpy as np
import pylab
import scipy.stats as stats
measurements = np.random.normal(loc = 20, scale = 5, size=100)
stats.probplot(measurements, dist="norm", plot=pylab)
pylab.show()
結果
使用するqqplotのは、statsmodels.api別のオプションです。
非常に基本的な例：
import numpy as np
import statsmodels.api as sm
import pylab
test = np.random.normal(0,1, 1000)
sm.qqplot(test, line='45')
pylab.show()
結果：
ドキュメントとその他の例はこちら
scipyに分離されましたstatsmodels
statsmodels良い選択でしょう。
あるサンプルと別のサンプルのQQプロットを行う必要がある場合、statsmodelsにはqqplot_2samples（）が含まれています。上記のコメントのリッキーロビンソンのように、これは私がQQプロット対理論的分布に対するサンプルである確率プロットとして考えるものです。
私はこれを思いついた。多分あなたはそれを改善することができます。特に、分布の分位数を生成する方法は私には面倒に思えます。
データを他の分布と比較するためにnp.random.normal、からの他の分布に置き換えることができnp.randomます。
#!/bin/python
import numpy as np
measurements = np.random.normal(loc = 20, scale = 5, size=100000)
def qq_plot(data, sample_size):
qq = np.ones([sample_size, 2])
np.random.shuffle(data)
qq[:, 0] = np.sort(data[0:sample_size])
qq[:, 1] = np.sort(np.random.normal(size = sample_size))
return qq
print qq_plot(measurements, 1000)
現在、statsmodelsパッケージに含まれています。
http://statsmodels.sourceforge.net/devel/generated/statsmodels.graphics.gofplots.qqplot.html
PythonとRの世界でのQQプロットと確率プロットに関する混乱を増すために、これはSciPyマニュアルの内容です。
「
probplot確率プロットを生成しますが、QQまたはPPプロットと混同しないでください。Statsmodelsには、このタイプのより広範な機能があります。statsmodels.api.ProbPlotを参照してください。」
試してみるscipy.stats.probplotと、実際にデータセットを理論上の分布と比較していることがわかります。QQプロット、OTOHは、2つのデータセット（サンプル）を比較します。
Rは、機能を持っているqqnorm、qqplotとqqline。Rヘルプ（バージョン3.6.3）から：
qqnormはジェネリック関数であり、デフォルトのメソッドはyの値の正規QQプロットを生成します。qqline「理論上の」、デフォルトでは通常の分位数-分位数プロットに線を追加します。このプロットは、確率分位数、デフォルトでは第1および第3四分位数を通過します。
qqplot2つのデータセットのQQプロットを生成します。
つまり、Rは、デフォルト設定qqnormでscipy.stats.probplot提供されるのと同じ機能を提供しますdist=norm。しかし、彼らがそれをqqnorm呼び、それが「通常のQQプロットを生成する」ことになっているという事実は、ユーザーを簡単に混乱させる可能性があります。
最後に、警告の言葉。これらのプロットは、適切な統計的検定に代わるものではなく、説明のみを目的として使用する必要があります。
サンプルの大きさはどれくらいですか？OpenTURNSライブラリを使用して、ディストリビューションに対してデータをテストする別のオプションがあります。以下の例では、一様分布から1.000.000の数値のサンプルxを生成し、正規分布に対してテストします。xを次のように再形成すると、データに置き換えることができます。x= [[x1], [x2], .., [xn]]
import openturns as ot
x = ot.Uniform().getSample(1000000)
g = ot.VisualTest.DrawQQplot(x, ot.Normal())
g
私のJupyterNotebookには、次のように表示されます。
スクリプトを書いている場合は、より適切に行うことができます
from openturns.viewer import View`
import matplotlib.pyplot as plt
View(g)
plt.show()
ボケが使える
from bokeh.plotting import figure, show
from scipy.stats import probplot
# pd_series is the series you want to plot
series1 = probplot(pd_series, dist="norm")
p1 = figure(title="Normal QQ-Plot", background_fill_color="#E8DDCB")
p1.scatter(series1[0][0],series1[0][1], fill_color="red")
show(p1)
probplotますか？docs.scipy.org/doc/scipy/reference/generated/…–