累积分布函数定义
累积分布函数(cumulative distribution function, 缩写 CDF),定义如下:
F
(
a
)
=
P
(
X
≤
a
)
.
F(a)=\operatorname{P}(X\le a).
F(a)=P(X≤a).
即累积分布函数表示:对离散变量而言,所有小于等于a的值出现概率的和。
(来源于百度百科)
示例说明
用一个例子来理解累积分布函数:
比如对于一组数据:2, 3, 7, 6, 5, 0
先从小到大进行排序,变为:0, 2, 3, 5, 6, 7
数据的总长度为6
根据定义,对于第1
个元素0
,在[0, 2, 3, 5, 6, 7]
中小于等于0
的数有1个(即0
,前1
个),CDF值为1/6
;
同理,对于第2
个元素2
,在[0, 2, 3, 5, 6, 7]
中小于等于2
的数有2个(即0,2
,前2
个),CDF值为2/6
;
……
同理,对于第6
个元素7
,在[0, 2, 3, 5, 6, 7]
中小于等于7
的数有2个(即0,2,3,5,6,7
,前6
个),CDF值为6/6
;
因此,对于一组长度为length
且已排好序的数据,第n
个元素的CDF值为n/length
。
Python 代码实现
对于给定的一组数据data
以及一个值a
,对应的CDF
值应该为找到所有小于等于a
的数据个数再除以数据的总长度:
def cdf(data, a):
length = len([i for i in data if i <= a])
return length / (len(data))
接下来,计算data
的累积分布函数
第一步,对data
进行从小到大排序:
sorted_data = np.sort(data)
第二步,计算CDF
,可以借助np.arange
方法来计算,np.arange
接受3
个参数,分别为生成数据左边界值、右边界值(注意是左闭右开)、间隔(默认为1
),表示生成从1
到len(data)
,间隔为1
的一组等距序列,再除以数据的总长度,即生成从1/len(data)
到1
的等距序列,即为CDF
值:
cumulative_prob = np.arange(1, len(sorted_data) + 1, 1)/float(len(sorted_data))
第三步,绘图:
plt.plot(sorted_data, cumulative_prob)
plt.show()
完整的示例代码如下:
import matplotlib.pyplot as plt
import numpy as np
data = np.array([2, 3, 7, 6, 5, 0])
sorted_data = np.sort(data)
cumulative_prob = np.arange(1, len(sorted_data) + 1, 1)/float(len(sorted_data))
print(sorted_data)
print(cumulative_prob)
plt.plot(sorted_data, cumulative_prob)
plt.show()
控制台输出:
[0 2 3 5 6 7]
[0.16666667 0.33333333 0.5 0.66666667 0.83333333 1. ]
绘图结果:
需要考虑相等数据吗?
我们并没有对包含相等数据的情况进行特殊考虑,比如0, 2, 2, 5, 6, 7
这组数据中,前一个2
得到的CDF
值为0.33333333
,后一个2
得到的CDF
值为0.5
,显然0.5
才是正确的,调用前文的cdf
函数也将得到0.5
的结果,但是绘图时后面的0.5
会覆盖前一个0.33333333
,因此绘制出来的图像仍然是正确的。