Python 中实现 CDF 累积分布图的两种方法 |
您所在的位置：网站首页 › 伽马分布形状图 › Python 中实现 CDF 累积分布图的两种方法 |
Python 中实现 CDF 累积分布图的两种方法
|
什么是累积分布
累积分布函数，又叫分布函数，是概率密度函数的积分，能完整描述一个实随机变量X的概率分布。一般以大写“CDF”（Cumulative Distribution Function）标记。 《百度百科》 累积分布函数，又叫分布函数，是概率密度函数的积分，能完整描述一个实随机变量X的概率分布。一般以大写“CDF”（CumulativeDistributionFunction）标记。累积分布图（distribution diagram）是在一组依大小顺序排列的测量值中，当按一定的组即分组时出现测量值小于某个数值的频数或额率对组限的分布图。 简单理解：就是所有 x 左边的值都会落在对应 y 值的概率里。 第一种方法使用 seaborn 的 ecdfplot 方法， 代码如下： import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np # 假设你有一些数据 data1 = np.random.normal(size=1000) # 生成1000个正态分布的随机数 data2 = np.random.normal(size=1000) # 生成1000个正态分布的随机数 df = pd.DataFrame({'data1': data1, 'data2': data2}) # 使用sns.distplot()来计算并绘制CDF sns.ecdfplot(data=df, legend=True) plt.grid() # 显示图形 plt.show()得到的 CDF 图形：
使用 scipy 的 mquantiles 计算 import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.stats.mstats import mquantiles from matplotlib.ticker import PercentFormatter def cdf_by_data(df, mark, title): fig, ax = plt.subplots() y = np.arange(0, 1, 0.01) x = mquantiles(df, y) ax.plot(x, y) ax.set_title(title + " - CDF") ax.axvline(x=mark, color='r', linestyle='--', label=str(mark)) ax.yaxis.set_major_formatter(PercentFormatter(1)) ax.set_xlabel(title) ax.set_ylabel('probability') index = np.abs(x - mark).argmin() plt.plot(mark, y[index], 'o', color='g') ax.text(mark + 1, y[index], "({}, {}%)".format(mark, round(y[index] * 100)), color='r') plt.grid(True) # 假设你有一些数据 data1 = np.random.normal(size=1000) # 生成1000个正态分布的随机数 data2 = np.random.normal(size=1000) # 生成1000个正态分布的随机数 df = pd.DataFrame({'data1': data1, 'data2': data2}) cdf_by_data(df=df, mark=0, title='cdf of data') plt.grid() # 显示图形 plt.show()得到的图形如下： |
【本文地址】
今日新闻 |
推荐新闻 |