Plotten Wahrscheinlichkeitsdichtefunktion durch Probe mit Matplotlib

Question

Ich möchte eine Näherung der Wahrscheinlichkeitsdichtefunktion basierend auf eine Probe, die ich habe, plotten; Die Kurve, die das Histogrammverhalten nachahmt. Ich kann haben Proben so groß wie ich will.

Answer 1

Wenn Sie eine Verteilung darstellen möchten, und Sie wissen es, definieren sie als eine Funktion, und plotten es als so:

import numpy as np 
from matplotlib import pyplot as plt 

def my_dist(x): 
    return np.exp(-x ** 2) 

x = np.arange(-100, 100) 
p = my_dist(x) 
plt.plot(x, p) 
plt.show() 

---

Wenn Sie nicht über die genaue Verteilung als eine haben analytische Funktion, vielleicht können Sie eine große Probe, nehmen Sie ein Histogramm erzeugen und irgendwie die Daten glätten:

import numpy as np 
from scipy.interpolate import UnivariateSpline 
from matplotlib import pyplot as plt 

N = 1000 
n = N//10 
s = np.random.normal(size=N) # generate your data sample with N elements 
p, x = np.histogram(s, bins=n) # bin it into n = N//10 bins 
x = x[:-1] + (x[1] - x[0])/2 # convert bin edges to centers 
f = UnivariateSpline(x, p, s=n) 
plt.plot(x, f(x)) 
plt.show() 

Sie können s (Glättungsfaktor) innerhalb der UnivariateSpline f erhöhen oder verringern Aufruf der Funktion, um die Glättung zu erhöhen oder zu verringern. Zum Beispiel, mit den beiden erhalten Sie:

Answer 2

Was Sie tun müssen, ist die Gaussian_kde aus dem scipy.stats.kde Paket zu verwenden.

Ihre Daten gegeben du so etwas tun kann:

from scipy.stats.kde import gaussian_kde 
from numpy import linspace 
# create fake data 
data = randn(1000) 
# this create the kernel, given an array it will estimate the probability over that values 
kde = gaussian_kde(data) 
# these are the values over wich your kernel will be evaluated 
dist_space = linspace(min(data), max(data), 100) 
# plot the results 
plt.plot(dist_space, kde(dist_space)) 

Die Kernel-Dichte nach Belieben konfiguriert werden kann und N-dimensionalen Daten mit Leichtigkeit. Es vermeidet auch die Spline-Verzerrung, die Sie in der von askewchan gegebenen Darstellung sehen können.