python绘制概率密度曲线 贝叶斯_使用python进行贝叶斯统计分析

原文链接：拓端数据科技 / Welcome to tecdat​tecdat.cn

本文讲解了使用PyMC3进行基本的贝叶斯统计分析过程.

# Imports import pymc3 as pm # python的概率编程包 import numpy.random as npr # numpy是用来做科学计算的 import numpy as np import matplotlib.pyplot as plt # matplotlib是用来画图的 import matplotlib as mpl from collections import Counter # ? import seaborn as sns # ? # import missingno as msno # 用来应对缺失的数据 # Set plotting style # plt.style.use('fivethirtyeight') sns.set_style('white') sns.set_context('poster') %load_ext autoreload %autoreload 2 %matplotlib inline %config InlineBackend.figure_format = 'retina' import warnings warnings.filterwarnings('ignore')

使用python进行贝叶斯统计分析

​

贝叶斯公式

贝叶斯主义者的思维方式根据证据不断更新信念

pymc3

​

常见的统计分析问题参数估计: "真实值是否等于X"

比较两组实验数据: "实验组是否与对照组不同? "

问题1: 参数估计

"真实值是否等于X?"

或者说

"给定数据，对于感兴趣的参数，可能值的概率分布是多少？"

例 1: 抛硬币问题

我把我的硬币抛了 n次，正面是 h次。 这枚硬币是有偏的吗？

参数估计问题parameterized problem

先验假设对参数预先的假设分布: p∼Uniform(0,1)

likelihood function(似然函数, 翻译这词还不如英文原文呢): data∼Bernoulli(p)

# 产生所需要的数据 from random import shuffle total = 30 n_heads = 11 n_tails = total - n_heads tosses = [1] * n_heads + [0] * n_tails shuffle(tosses)

数据

fig = plot_coins() plt.show()

​

MCMC Inference Button (TM)

100%|██████████| 2500/2500 [00:00<00:00, 3382.23it/s]

结果

pm.traceplot(coin_trace) plt.show()

​

In [10]:

plt.show()

​95% highest posterior density (HPD, 大概类似于置信区间) 包含了 region of practical equivalence (ROPE, 实际等同区间).

例 2: 药品活性问题

我有一个新开发的分子X; X在阻止流感病毒复制方面有多好？

实验测试X的浓度范围, 测量流感活性

计算 IC50: 能够抑制病毒复制活性50%的X浓度.

data

import pandas as pd chem_df = pd.DataFrame(chem_data) chem_df.columns = ['concentration', 'activity'] chem_df['concentration_log'] = chem_df['concentration'].apply(lambda x:np.log10(x)) # df.set_index('concentration', inplace=True)

参数化问题parameterized problem

给定数据, 求出化学物质的IC50值是多少, 并且求出置信区间( 原文中the uncertainty surrounding it, 后面看类似置信区间的含义)?

先验知识由药学知识已知测量函数(measurement function): m=β1+ex−IC50

测量函数中的参数估计, 来自先验知识: β∼HalfNormal(1002)

关于感兴趣参数的先验知识: log(IC50)∼ImproperFlat

likelihood function: data∼N(m,1)

数据

In [13]:

fig = plot_chemical_data(log=True) plt.show()

​

MCMC Inference Button (TM)

In [16]:

pm.traceplot(ic50_trace[2000:], varnames=['IC50_log10', 'IC50']) # live: sample from step 2000 onwards. plt.show()

​

结果

In [17]:

pm.plot_posterior(ic50_trace[4000:], varnames=['IC50'], color='#87ceeb', point_estimate='mean') plt.show()

​

该化学物质的 IC50 大约在[2 mM, 2.4 mM] (95% HPD). 这不是个好的药物候选者. 在这个问提上不确定性影响不大, 看看单位数量级就知道IC50在毫摩的物质没什么用...

第二类问题: 实验组之间的比较

"实验组和对照组之间是否有差别? "

例 1: 药品对IQ的影响问题

药品治疗是否影响(提高)IQ分数?

def ECDF(data): x = np.sort(data) y = np.cumsum(x) / np.sum(x) return x, y def plot_drug(): fig = plt.figure() ax = fig.add_subplot(1,1,1) x_drug, y_drug = ECDF(drug) ax.plot(x_drug, y_drug, label='drug, n={0}'.format(len(drug))) x_placebo, y_placebo = ECDF(placebo) ax.plot(x_placebo, y_placebo, label='placebo, n={0}'.format(len(placebo))) ax.legend() ax.set_xlabel('IQ Score') ax.set_ylabel('Cumulative Frequency') ax.hlines(0.5, ax.get_xlim()[0], ax.get_xlim()[1], linestyle='--') return fig

In [19]:

# Eric Ma自己很好奇, 从频率主义的观点, 差别是否已经是具有"具有统计学意义" from scipy.stats import ttest_ind ttest_ind(drug, placebo) # (非配对) t检验. P=0.025, 已经<0.05了

Out[19]:

Ttest_indResult(statistic=2.2806701634329549, pvalue=0.025011500508647616)

实验参与者被随机分为两组:给药组 vs. 安慰剂组

测量参与者的IQ分数

先验知识被测数据符合t分布: data∼StudentsT(μ,σ,ν)

以下为t分布的几个参数:均值符合正态分布: μ∼N(0,1002)

自由度(degrees of freedom)符合指数分布: ν∼Exp(30)

方差是positively-distributed: σ∼HalfCauchy(1002)

数据

In [20]:

fig = plot_drug() plt.show()

​

代码

In [21]:

y_vals = np.concatenate([drug, placebo]) labels = ['drug'] * len(drug) + ['placebo'] * len(placebo) data = pd.DataFrame([y_vals, labels]).T data.columns = ['IQ', 'treatment']

MCMC Inference Button (TM)

结果

In [24]:

pm.traceplot(kruschke_trace[2000:], varnames=['mu_drug', 'mu_placebo']) plt.show()

​

In [25]:

pm.plot_posterior(kruschke_trace[2000:], color='#87ceeb', varnames=['mu_drug', 'mu_placebo', 'diff_means']) plt.show()

​IQ均值的差距为: [0.5, 4.6]

频率主义的 p-value: 0.02 (!!!!!!!!)

注: IQ的差异在10以上才有点意义. p-value=0.02说明组间有差异, 但没说差异有多大. 这个故事说的是虽然有差异, 但是差异太小了, 也没啥意思.

In [27]:

ax = adjust_forestplot_for_slides(ax) plt.show()

​

森林图：在同一轴上的95％HPD(细线)，IQR(粗线)和后验分布的中位数(点)，使我们能够直接比较治疗组和对照组。

In [29]:

ax = pm.plot_posterior(kruschke_trace[2000:], varnames=['effect_size'], color='#87ceeb') overlay_effect_size(ax)

​效果大小(Cohen's d, 效果微小, 效果中等, 效果很大)可以从微小到很大(95％HPD [0.0，0.77])。

这种药很可能是无关紧要的。

没有生物学意义的证据。

例 2: 手机消毒问题

比较两种常用的消毒方法, 和我的fancy方法, 哪种消毒方法更好

实验设计将手机随机分到6组: 4 "fancy" 方法 + 2 "control" 方法.

处理前后对手机表面进行拭子菌培养

count 菌落数量, 比较处理前后的菌落计数

Out[30]:

sample_id int32 treatment int32 colonies_pre int32 colonies_post int32 morphologies_pre int32 morphologies_post int32 year float32 month float32 day float32 perc_reduction morph float32 site int32 phone ID float32 no case float32 frac_change_colonies float64 dtype: object

数据

In [32]:

fig = plot_colonies_data() plt.show()

​

先验知识

菌落计数符合泊松Poisson分布. 因此...菌落计数符合泊松分布: dataij∼Poisson(μij),j∈[pre,post],i∈[1,2,3...]

泊松分布的参数是离散均匀分布: μij∼DiscreteUniform(0,104),j∈[pre,post],i∈[1,2,3...]

灭菌效力通过百分比变化测量，定义如下: mupre−mupostmupre

MCMC Inference Button (TM)

In [34]:

with poisson_estimation: poisson_trace = pm.sample(200000)

Assigned Metropolis to pre_mus Assigned Metropolis to post_mus 100%|██████████| 200500/200500 [01:15<00:00, 2671.98it/s]

In [35]:

pm.traceplot(poisson_trace[50000:], varnames=['pre_mus', 'post_mus']) plt.show()

​

结果

In [39]:

pm.forestplot(poisson_trace[50000:], varnames=['perc_change'], ylabels=treatment_order) #, xrange=[0, 110]) plt.xlabel('Percentage Reduction') ax = plt.gca() ax = adjust_forestplot_for_slides(ax)

​