python 概率分布函数_概率分布函数Python

绝对是一个统计问题-听起来你是想做一个概率测试，看看这个分布是否与正态分布、对数正态分布、二项式分布等有显著的相似性。最简单的方法是测试正常或对数正常，如下所述。

设置Pvalue截止值，通常如果Pvalue&lt；=0.05，则它不是正态分布的。

在Python use SciPy中，您只需要返回p值来测试，所以这个函数返回2个值(为了清楚起见，这里忽略了可选的(不需要的)输入)：

import scipy.stats

[W, Pvalue] = scipy.stats.morestats.shapiro(x)

执行Shapiro-Wilk正态性测试。Shapiro-Wilk检验检验了数据来自正态分布的零假设。

如果要查看它是否为对数正态分布(前提是它未通过上面的p测试)，可以尝试：

import numpy

[W, Pvalue] = scipy.stats.morestats.shapiro(numpy.log(x))

用同样的方法解释——我只是在一个已知的对数正态分布模拟上进行了测试，在np.log(x)测试中得到了0.17个p值，在标准shapiro(x)测试中得到了一个接近0的数字。这告诉我对数正态分布是更好的选择，正态分布失败惨重。

我把你要找的东西简单化了。对于其他发行版，您可能需要沿着Q-Q图https://en.wikipedia.org/wiki/Q%E2%80%93Q_plot的路线做更多的工作，而不是简单地遵循我提出的一些测试。这意味着你有一个你想要适应的分布图和你的数据图。下面是一个简单的例子，如果你愿意的话，可以让你走上这条路：import numpy as np

import pylab

import scipy.stats as stats

mydata = whatever data you are looking to fit to a distribution

stats.probplot(mydata, dist='norm', plot=pylab)

pylab.show()

上面的代码可以替换scipy库中的dist='norm'的任何内容http://docs.scipy.org/doc/scipy/reference/tutorial/stats/continuous.html#continuous-distributions-in-scipy-stats

然后找到它的scipy名称(必须根据文档添加形状参数，例如stats.probplot(mydata, dist='loggamma', sparams=(1,1), plot=pylab)或对于student Tstats.probplot(mydata, dist='t', sparams=(1), plot=pylab))，然后查看绘图并查看数据在该分布下的接近程度。如果数据点很接近，则可以找到分布。它在图上也会给你一个R^2值；一般来说，接近1的值越适合。

如果您想继续尝试使用数据帧，请尝试更改为：plt.hist(df['Frequency'].values)

如果这个答案回答了你的问题，请投赞成票：)需要一些赏金来回答我自己的编程难题。