経験的分布をScipy(Python)で理論的分布に適合させますか?


139

はじめに:私は、0から47までの範囲の30,000を超える整数値のリストを持っています[0,0,0,0,..,1,1,1,1,...,2,2,2,2,...,47,47,47,...]。リストの値は必ずしも正しい順序であるとは限りませんが、この問題では順序は関係ありません。

問題:私の分布に基づいて、任意の値のp値(より大きな値が現れる確率)を計算したいと思います。たとえば、0のp値は1に近づき、より大きな数値のp値は0になる傾向があることがわかります。

私が正しいかどうかはわかりませんが、確率を判断するには、自分のデータを記述するのに最も適した理論上の分布に自分のデータを当てはめる必要があると思います。最良のモデルを決定するには、ある種の適合度テストが必要だと思います。

このような分析をPython(ScipyまたはNumpy)で実装する方法はありますか?例を挙げていただけますか?

ありがとうございました!


2
あなたは離散的な経験値しか持っていませんが、連続的な分布が必要ですか?私はそれを正しく理解していますか?
マイケルJ.バーバー、

1
それは無意味なようです。数字は何を表していますか?精度が制限された測定?
マイケルJ.バーバー

1
:マイケル、私は数字が私の前の質問には何を表しているか説明しstackoverflow.com/questions/6615489/...
s_sherly

6
これはカウントデータです。継続的な配布ではありません。
マイケルJ.バーバー

1
この質問に対する承認済みの回答を確認してください。stackoverflow.com
Ahmad Suliman

回答:


209

二乗和誤差(SSE)による分布近似

これは、Saulloの回答の更新と変更であり、現在のscipy.stats分布の完全なリストを使用して、分布のヒストグラムとデータのヒストグラムの間のSSEが最小の分布を返します。

フィッティングの例

からのエルニーニョデータセットstatsmodelsを使用して、分布が近似され、エラーが決定されます。最もエラーの少ない分布が返されます。

すべての分布

すべての適合分布

最適な分布

最適な分布

コード例

%matplotlib inline

import warnings
import numpy as np
import pandas as pd
import scipy.stats as st
import statsmodels as sm
import matplotlib
import matplotlib.pyplot as plt

matplotlib.rcParams['figure.figsize'] = (16.0, 12.0)
matplotlib.style.use('ggplot')

# Create models from data
def best_fit_distribution(data, bins=200, ax=None):
    """Model data by finding best fit distribution to data"""
    # Get histogram of original data
    y, x = np.histogram(data, bins=bins, density=True)
    x = (x + np.roll(x, -1))[:-1] / 2.0

    # Distributions to check
    DISTRIBUTIONS = [        
        st.alpha,st.anglit,st.arcsine,st.beta,st.betaprime,st.bradford,st.burr,st.cauchy,st.chi,st.chi2,st.cosine,
        st.dgamma,st.dweibull,st.erlang,st.expon,st.exponnorm,st.exponweib,st.exponpow,st.f,st.fatiguelife,st.fisk,
        st.foldcauchy,st.foldnorm,st.frechet_r,st.frechet_l,st.genlogistic,st.genpareto,st.gennorm,st.genexpon,
        st.genextreme,st.gausshyper,st.gamma,st.gengamma,st.genhalflogistic,st.gilbrat,st.gompertz,st.gumbel_r,
        st.gumbel_l,st.halfcauchy,st.halflogistic,st.halfnorm,st.halfgennorm,st.hypsecant,st.invgamma,st.invgauss,
        st.invweibull,st.johnsonsb,st.johnsonsu,st.ksone,st.kstwobign,st.laplace,st.levy,st.levy_l,st.levy_stable,
        st.logistic,st.loggamma,st.loglaplace,st.lognorm,st.lomax,st.maxwell,st.mielke,st.nakagami,st.ncx2,st.ncf,
        st.nct,st.norm,st.pareto,st.pearson3,st.powerlaw,st.powerlognorm,st.powernorm,st.rdist,st.reciprocal,
        st.rayleigh,st.rice,st.recipinvgauss,st.semicircular,st.t,st.triang,st.truncexpon,st.truncnorm,st.tukeylambda,
        st.uniform,st.vonmises,st.vonmises_line,st.wald,st.weibull_min,st.weibull_max,st.wrapcauchy
    ]

    # Best holders
    best_distribution = st.norm
    best_params = (0.0, 1.0)
    best_sse = np.inf

    # Estimate distribution parameters from data
    for distribution in DISTRIBUTIONS:

        # Try to fit the distribution
        try:
            # Ignore warnings from data that can't be fit
            with warnings.catch_warnings():
                warnings.filterwarnings('ignore')

                # fit dist to data
                params = distribution.fit(data)

                # Separate parts of parameters
                arg = params[:-2]
                loc = params[-2]
                scale = params[-1]

                # Calculate fitted PDF and error with fit in distribution
                pdf = distribution.pdf(x, loc=loc, scale=scale, *arg)
                sse = np.sum(np.power(y - pdf, 2.0))

                # if axis pass in add to plot
                try:
                    if ax:
                        pd.Series(pdf, x).plot(ax=ax)
                    end
                except Exception:
                    pass

                # identify if this distribution is better
                if best_sse > sse > 0:
                    best_distribution = distribution
                    best_params = params
                    best_sse = sse

        except Exception:
            pass

    return (best_distribution.name, best_params)

def make_pdf(dist, params, size=10000):
    """Generate distributions's Probability Distribution Function """

    # Separate parts of parameters
    arg = params[:-2]
    loc = params[-2]
    scale = params[-1]

    # Get sane start and end points of distribution
    start = dist.ppf(0.01, *arg, loc=loc, scale=scale) if arg else dist.ppf(0.01, loc=loc, scale=scale)
    end = dist.ppf(0.99, *arg, loc=loc, scale=scale) if arg else dist.ppf(0.99, loc=loc, scale=scale)

    # Build PDF and turn into pandas Series
    x = np.linspace(start, end, size)
    y = dist.pdf(x, loc=loc, scale=scale, *arg)
    pdf = pd.Series(y, x)

    return pdf

# Load data from statsmodels datasets
data = pd.Series(sm.datasets.elnino.load_pandas().data.set_index('YEAR').values.ravel())

# Plot for comparison
plt.figure(figsize=(12,8))
ax = data.plot(kind='hist', bins=50, normed=True, alpha=0.5, color=plt.rcParams['axes.color_cycle'][1])
# Save plot limits
dataYLim = ax.get_ylim()

# Find best fit distribution
best_fit_name, best_fit_params = best_fit_distribution(data, 200, ax)
best_dist = getattr(st, best_fit_name)

# Update plots
ax.set_ylim(dataYLim)
ax.set_title(u'El Niño sea temp.\n All Fitted Distributions')
ax.set_xlabel(u'Temp (°C)')
ax.set_ylabel('Frequency')

# Make PDF with best params 
pdf = make_pdf(best_dist, best_fit_params)

# Display
plt.figure(figsize=(12,8))
ax = pdf.plot(lw=2, label='PDF', legend=True)
data.plot(kind='hist', bins=50, normed=True, alpha=0.5, label='Data', legend=True, ax=ax)

param_names = (best_dist.shapes + ', loc, scale').split(', ') if best_dist.shapes else ['loc', 'scale']
param_str = ', '.join(['{}={:0.2f}'.format(k,v) for k,v in zip(param_names, best_fit_params)])
dist_str = '{}({})'.format(best_fit_name, param_str)

ax.set_title(u'El Niño sea temp. with best fit distribution \n' + dist_str)
ax.set_xlabel(u'Temp. (°C)')
ax.set_ylabel('Frequency')

2
驚くばかり。使用を検討してdensity=Trueの代わりnormed=Truenp.histogram()。^^
ペケ2017

1
@tmthydvnprt .plot()メソッドの変更を元に戻して、将来の混乱を避けることができます。^^
ペケ2017年

10
配布名を取得するには:from scipy.stats._continuous_distns import _distn_names。次に、_distn_names`のgetattr(scipy.stats, distname)for eachのようなものを使用できdistnameます。ディストリビューションが異なるSciPyバージョンで更新されるので便利です。
ブラッドソロモン

1
このコードが連続分布のみの最適な適合をチェックし、離散または多変量分布をチェックできない理由を説明してください。ありがとうございました。
Adam Schroeder

6
とてもかっこいい。私はカラーパラメータを更新する必要がありましたax = data.plot(kind='hist', bins=50, normed=True, alpha=0.5, color=list(matplotlib.rcParams['axes.prop_cycle'])[1]['color'])
basswaves

147

SciPy 0.12.0に82の配布機能が実装されています。それらのfit()方法を使用して、それらのいくつかがデータにどのように適合するかをテストできます。詳細については、以下のコードを確認してください。

ここに画像の説明を入力してください

import matplotlib.pyplot as plt
import scipy
import scipy.stats
size = 30000
x = scipy.arange(size)
y = scipy.int_(scipy.round_(scipy.stats.vonmises.rvs(5,size=size)*47))
h = plt.hist(y, bins=range(48))

dist_names = ['gamma', 'beta', 'rayleigh', 'norm', 'pareto']

for dist_name in dist_names:
    dist = getattr(scipy.stats, dist_name)
    param = dist.fit(y)
    pdf_fitted = dist.pdf(x, *param[:-2], loc=param[-2], scale=param[-1]) * size
    plt.plot(pdf_fitted, label=dist_name)
    plt.xlim(0,47)
plt.legend(loc='upper right')
plt.show()

参照:

-フィッティング分布、適合度、p値。Scipy(Python)でこれを行うことは可能ですか?

-Scipyの配布フィッティング

そしてここに、Scipy 0.12.0(VI)で利用可能なすべての配布関数の名前のリストを示します。

dist_names = [ 'alpha', 'anglit', 'arcsine', 'beta', 'betaprime', 'bradford', 'burr', 'cauchy', 'chi', 'chi2', 'cosine', 'dgamma', 'dweibull', 'erlang', 'expon', 'exponweib', 'exponpow', 'f', 'fatiguelife', 'fisk', 'foldcauchy', 'foldnorm', 'frechet_r', 'frechet_l', 'genlogistic', 'genpareto', 'genexpon', 'genextreme', 'gausshyper', 'gamma', 'gengamma', 'genhalflogistic', 'gilbrat', 'gompertz', 'gumbel_r', 'gumbel_l', 'halfcauchy', 'halflogistic', 'halfnorm', 'hypsecant', 'invgamma', 'invgauss', 'invweibull', 'johnsonsb', 'johnsonsu', 'ksone', 'kstwobign', 'laplace', 'logistic', 'loggamma', 'loglaplace', 'lognorm', 'lomax', 'maxwell', 'mielke', 'nakagami', 'ncx2', 'ncf', 'nct', 'norm', 'pareto', 'pearson3', 'powerlaw', 'powerlognorm', 'powernorm', 'rdist', 'reciprocal', 'rayleigh', 'rice', 'recipinvgauss', 'semicircular', 't', 'triang', 'truncexpon', 'truncnorm', 'tukeylambda', 'uniform', 'vonmises', 'wald', 'weibull_min', 'weibull_max', 'wrapcauchy'] 

7
normed = Trueヒストグラムをプロットする場合はどうなりますか?あなたは乗算pdf_fittedしないでしょうsize、右?
アロハ2015年

3
すべてのディストリビューションがどのように見えるかを確認したい場合、またはすべてのディストリビューションにアクセスする方法を知りたい場合は、この回答を参照してください。
tmthydvnprt 2016年

@SaulloCastro dist.fitの出力で、paramの3つの値は何を表していますか
shaifali Gupta

2
配布名を取得するには:from scipy.stats._continuous_distns import _distn_names。次にgetattr(scipy.stats, distname)、それぞれに次のようなものを使用できますdistname、_distn_names`のます。ディストリビューションが異なるSciPyバージョンで更新されるので便利です。
ブラッドソロモン

1
コードからcolor = 'w'を削除すると、ヒストグラムが表示されません。
エラン

12

fit()@Saullo Castroによって言及された方法は、最尤推定(MLE)を提供します。データの最適な分布は、次のようないくつかの方法で決定できる最高の分布です。

1、最も高い対数尤度を与えるもの。

2、最小のAIC、BIC、またはBICc値を提供するもの(wiki:http : //en.wikipedia.org/wiki/Akaike_information_criterionを参照)は、基本的に、パラメーターの数を調整した対数尤度と見なすことができます。パラメータはよりよくフィットすると予想されます)

3、ベイジアン事後確率を最大化するもの。(wikiを参照:http : //en.wikipedia.org/wiki/Posterior_probability

もちろん、(特定の分野の理論に基づいて)データを説明する必要がある分布がすでにあり、それを使い続けたい場合は、最適な分布を特定する手順をスキップします。

scipyには対数尤度を計算する関数が付属していません(MLEメソッドが提供されていますが)。これは簡単にハードコードできます。「scipy.stat.distributions」の組み込み確率密度関数は、ユーザーが提供する確率密度関数よりも遅いですか?を参照してください。


1
この方法を、データが既にビニングされている状況(つまり、データからヒストグラムを生成するのではなく、すでにヒストグラムである)にどのように適用しますか?
Pete

@pete、それは区間打ち切りデータの状況になります、そのための最尤法がありますが、それは現在実装されていませんscipy
CT Zhu

エビデンスをお忘れなく
jtlz2

5

AFAICU、あなたの分布は離散的です(そして離散的以外は何もありません)。したがって、さまざまな値の頻度を数え、それらを正規化するだけで十分です。したがって、これを示す例:

In []: values= [0, 0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 3, 3, 4]
In []: counts= asarray(bincount(values), dtype= float)
In []: cdf= counts.cumsum()/ counts.sum()

したがって、1単純に(補完的な累積分布関数(ccdf)に従って)よりも高い値が表示される確率:

In []: 1- cdf[1]
Out[]: 0.40000000000000002

ので、予めご了承くださいCCDFが密接に関連している生存関数(SF)が、一方、それはまた、離散分布で定義されていますSFは唯一の連続したディストリビューションのために定義されています。


2

確率密度推定の問題のようです。

from scipy.stats import gaussian_kde
occurences = [0,0,0,0,..,1,1,1,1,...,2,2,2,2,...,47]
values = range(0,48)
kde = gaussian_kde(map(float, occurences))
p = kde(values)
p = p/sum(p)
print "P(x>=1) = %f" % sum(p[1:])

http://jpktd.blogspot.com/2009/03/using-gaussian-kernel-density.htmlも参照してください。


1
将来の読者のために:このソリューション(または少なくともアイデア)は、OPの質問(「p値とは」)に対する最も単純な答えを提供します。既知の分布。
グレッグ

ガウスカーネル回帰はすべてのディストリビューションで機能しますか?

@mikey原則として、すべてのディストリビューションで回帰は機能しません。彼らは悪くありません
TheEnvironmentalist '22

2

distfitライブラリをお試しください。

pip install distfit

# Create 1000 random integers, value between [0-50]
X = np.random.randint(0, 50,1000)

# Retrieve P-value for y
y = [0,10,45,55,100]

# From the distfit library import the class distfit
from distfit import distfit

# Initialize.
# Set any properties here, such as alpha.
# The smoothing can be of use when working with integers. Otherwise your histogram
# may be jumping up-and-down, and getting the correct fit may be harder.
dist = distfit(alpha=0.05, smooth=10)

# Search for best theoretical fit on your empirical data
dist.fit_transform(X)

> [distfit] >fit..
> [distfit] >transform..
> [distfit] >[norm      ] [RSS: 0.0037894] [loc=23.535 scale=14.450] 
> [distfit] >[expon     ] [RSS: 0.0055534] [loc=0.000 scale=23.535] 
> [distfit] >[pareto    ] [RSS: 0.0056828] [loc=-384473077.778 scale=384473077.778] 
> [distfit] >[dweibull  ] [RSS: 0.0038202] [loc=24.535 scale=13.936] 
> [distfit] >[t         ] [RSS: 0.0037896] [loc=23.535 scale=14.450] 
> [distfit] >[genextreme] [RSS: 0.0036185] [loc=18.890 scale=14.506] 
> [distfit] >[gamma     ] [RSS: 0.0037600] [loc=-175.505 scale=1.044] 
> [distfit] >[lognorm   ] [RSS: 0.0642364] [loc=-0.000 scale=1.802] 
> [distfit] >[beta      ] [RSS: 0.0021885] [loc=-3.981 scale=52.981] 
> [distfit] >[uniform   ] [RSS: 0.0012349] [loc=0.000 scale=49.000] 

# Best fitted model
best_distr = dist.model
print(best_distr)

# Uniform shows best fit, with 95% CII (confidence intervals), and all other parameters
> {'distr': <scipy.stats._continuous_distns.uniform_gen at 0x16de3a53160>,
>  'params': (0.0, 49.0),
>  'name': 'uniform',
>  'RSS': 0.0012349021241149533,
>  'loc': 0.0,
>  'scale': 49.0,
>  'arg': (),
>  'CII_min_alpha': 2.45,
>  'CII_max_alpha': 46.55}

# Ranking distributions
dist.summary

# Plot the summary of fitted distributions
dist.plot_summary()

ここに画像の説明を入力してください

# Make prediction on new datapoints based on the fit
dist.predict(y)

# Retrieve your pvalues with 
dist.y_pred
# array(['down', 'none', 'none', 'up', 'up'], dtype='<U4')
dist.y_proba
array([0.02040816, 0.02040816, 0.02040816, 0.        , 0.        ])

# Or in one dataframe
dist.df

# The plot function will now also include the predictions of y
dist.plot()

ベストフィット

この場合、分布が均一であるため、すべての点が重要になります。必要に応じて、dist.y_predでフィルタリングできます。


1

OpenTURNS、私はフィット、このようなデータという最高の配信を選択するために、BIC基準を使用します。これは、この基準は、より多くのパラメーターを持つ分布にあまりメリットを与えないためです。実際、分布のパラメーターが多いほど、近似された分布がデータに近づきやすくなります。さらに、測定値の小さな誤差がp値に大きな影響を与えるため、この場合、コルモゴロフ-スミルノフは意味をなさない場合があります。

プロセスを説明するために、1950年から2010年までの月間気温測定値732を含むEl-Ninoデータをロードします。

import statsmodels.api as sm
dta = sm.datasets.elnino.load_pandas().data
dta['YEAR'] = dta.YEAR.astype(int).astype(str)
dta = dta.set_index('YEAR').T.unstack()
data = dta.values

GetContinuousUniVariateFactories静的メソッドを使用して、分布の組み込みの1変量ファクトリ30を簡単に取得できます。完了すると、BestModelBIC静的メソッドは最良のモデルと対応するBICスコアを返します。

sample = ot.Sample(data, 1)
tested_factories = ot.DistributionFactory.GetContinuousUniVariateFactories()
best_model, best_bic = ot.FittingTest.BestModelBIC(sample,
                                                   tested_factories)
print("Best=",best_model)

印刷する:

Best= Beta(alpha = 1.64258, beta = 2.4348, a = 18.936, b = 29.254)

ヒストグラムへの適合をグラフで比較するためにdrawPDF、最良の分布の方法を使用します。

import openturns.viewer as otv
graph = ot.HistogramFactory().build(sample).drawPDF()
bestPDF = best_model.drawPDF()
bestPDF.setColors(["blue"])
graph.add(bestPDF)
graph.setTitle("Best BIC fit")
name = best_model.getImplementation().getClassName()
graph.setLegends(["Histogram",name])
graph.setXTitle("Temperature (°C)")
otv.View(graph)

これにより、以下が生成されます。

エルニーニョの気温にフィットするベータ版

このトピックの詳細は、BestModelBICドキュメントに記載されています。中にscipyのダウンロード配布を含めることが可能であろうSciPyDistributionたりとChaosPyディストリビューションにChaosPyDistributionが、私は現在のスクリプト満たし最も実用的な目的ということを推測します。


2
あなたはおそらく興味を宣言する必要がありますか?
jtlz2

0

私があなたの必要性を理解していない場合は許してください。しかし、キーが0から47までの数字であり、元のリスト内の関連するキーの出現数を値とするディクショナリにデータを保存する場合はどうでしょうか。
したがって、可能性p(x)は、xより大きいキーのすべての値の合計を30000で除算したものになります。


この場合、p(x)は47より大きい値でも同じ(0に等しい)になります。連続確率分布が必要です。
s_sherly

2
@s_sherly -あなたは本当にとして、より良いあなたの質問を編集して、明確にすることができればそれはおそらく良いことだろう「大きな値を見ての確率は」あなたがそれを置くよう- - ISプール内の最大値を超えている値はゼロ。
Mac
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.