Python scipy.stats.ppcc_plot用法及代码示例

用法: scipy.stats.ppcc_plot(x, a, b, dist='tukeylambda', plot=None, N=80)

计算并可选地绘制概率图相关系数。

概率图相关系数 (PPCC) 图可用于确定 one-parameter 系列分布的最佳形状参数。它不能用于没有形状参数的分布(如正态分布)或具有多个形状参数的分布。

默认情况下，使用 Tukey-Lambda 分布 (stats.tukeylambda)。 Tukey-Lambda PPCC 图通过近似正态分布从long-tailed 到short-tailed 分布进行插值，因此在实践中特别有用。

参数：

x： array_like: 输入数组。
a, b：标量: 要使用的形状参数的下限和上限。
dist： str 或 stats.distributions 实例，可选: 分布或分布函数名称。看起来足够像 stats.distributions 实例的对象(即它们具有ppf 方法)也被接受。默认值为 'tukeylambda' 。
plot：对象，可选: 如果给定，则根据形状参数绘制 PPCC。阴谋是一个必须有方法“plot” and “text”的对象。这matplotlib.pyplot可以使用模块或 Matplotlib Axes 对象，或具有相同方法的自定义对象。默认为无，这意味着不创建绘图。
N：整数，可选: 水平轴上的点数(从 a 到 b 均匀分布)。

svals： ndarray: 计算 ppcc 的形状值。
ppcc： ndarray: 计算出的概率图相关系数值。

参考：

J.J. Filliben，“正态性概率图相关系数检验”，技术计量学，卷。 17，第 111-117 页，1975 年。

例子：

首先，我们从形状参数为 2.5 的 Weibull 分布生成一些随机数据，并绘制数据的直方图：

>>> from scipy import stats
>>> import matplotlib.pyplot as plt
>>> rng = np.random.default_rng()
>>> c = 2.5
>>> x = stats.weibull_min.rvs(c, scale=4, size=2000, random_state=rng)

看一下数据的直方图。

>>> fig1, ax = plt.subplots(figsize=(9, 4))
>>> ax.hist(x, bins=50)
>>> ax.set_title('Histogram of x')
>>> plt.show()

现在我们使用 PPCC 图以及相关的概率图和Box-Cox normplot 来探索这些数据。在我们期望 PPCC 值最大的地方画了一条红线(在上面使用的形状参数 c 处)：

>>> fig2 = plt.figure(figsize=(12, 4))
>>> ax1 = fig2.add_subplot(1, 3, 1)
>>> ax2 = fig2.add_subplot(1, 3, 2)
>>> ax3 = fig2.add_subplot(1, 3, 3)
>>> res = stats.probplot(x, plot=ax1)
>>> res = stats.boxcox_normplot(x, -4, 4, plot=ax2)
>>> res = stats.ppcc_plot(x, c/2, 2*c, dist='weibull_min', plot=ax3)
>>> ax3.axvline(c, color='r')
>>> plt.show()

相关用法

注：本文由堆栈答案筛选整理自scipy.org大神的英文原创作品 scipy.stats.ppcc_plot。非经特殊声明，原始代码版权归原作者所有，本译文的传播和使用请遵循“署名-相同方式共享 4.0 国际 (CC BY-SA 4.0)”协议。

用法:

参数：

返回：

参考：

例子：