이미 binned 데이터 파이썬에 로그 정규 분포를 맞 춥니 다

Question

이미 binned 된 데이터에 로그 정규 분포를 만들고 싶습니다. 막대 플롯은 다음과 같습니다.

불행하게도 표준 lognorm.pdf()을 사용하려고하면 적합 분포의 모양이 매우 다릅니다. 내 데이터가 이미 binned되어 있기 때문이죠. 여기 코드는 다음과 같습니다

times, data, bin_points = ReadHistogramFile(filename) 

xmin = 200 
xmax = 800 
x = np.linspace(xmin, xmax, 1000) 
shape, loc, scale = stats.lognorm.fit(data, floc=0) 
pdf = stats.lognorm.pdf(x, shape, loc=loc, scale=scale) 

area=data.sum() 
plt.bar(bars, data, width=10, color='b') 
plt.plot(x*area, pdf, 'k') 

여기에 장착 분포가 어떻게 생겼는지입니다 : 분명히 스케일링으로도 뭔가 문제가있다. 나는 그것에 대해 덜 염려한다. 내 주요 문제는 배포판의 모양입니다. 이 중복 될 수 있습니다 : this question하지만 올바른 솔루션을 찾을 수 없습니다. 나는 그것을 시험해 보았고 위의 과정을 할 때와 매우 비슷한 모양을 얻는다. 어떤 도움을 주셔서 감사합니다!

업데이트 : 을 사용하면 curve_fit()을 사용하여 어느 정도 적응할 수있었습니다. 그러나 나는 아직 만족하지 못했다. 원래 통 (bin)을 갖고 싶습니다. 단결 통 (unit bins)이 아닙니다. 또한 나는 정확히 무엇이 일어나고 있는지, 그리고 더 나은 적합성이 없는지 잘 모르겠습니다. 여기 코드는 : 당신이 언급으로

def normalize_integral(data, bin_size): 
normalized_data = np.zeros(size(data)) 
print bin_size 
sum = data.sum() 
integral = bin_size*sum 
for i in range(0, size(data)-1): 
    normalized_data[i] = data[i]/integral 

print 'integral:', normalized_data.sum()*bin_size 
return normalized_data 



def pdf(x, mu, sigma): 
"""pdf of lognormal distribution""" 

return (np.exp(-(np.log(x) - mu)**2/(2 * sigma**2))/(x * sigma * np.sqrt(2 * np.pi))) 


bin_points=np.linspace(280.5, 1099.55994, len(bin_points)) 
data=[9.78200000e+03 1.15120000e+04 1.18000000e+04 1.79620000e+04 2.76980000e+04 2.78260000e+04 3.35460000e+04 3.24260000e+04 3.16500000e+04 3.30820000e+04 4.84560000e+04 5.86500000e+04 6.34220000e+04 5.11880000e+04 5.13180000e+04 4.74320000e+04 4.35420000e+04 4.13400000e+04 3.60880000e+04 2.96900000e+04 2.66640000e+04 2.58720000e+04 2.57560000e+04 2.20960000e+04 1.46880000e+04 9.97200000e+03 5.74200000e+03 3.52000000e+03 2.74600000e+03 2.61800000e+03 1.50000000e+03 7.96000000e+02 5.40000000e+02 2.98000000e+02 2.90000000e+02 2.22000000e+02 2.26000000e+02 1.88000000e+02 1.20000000e+02 5.00000000e+01 5.40000000e+01 5.80000000e+01 5.20000000e+01 2.00000000e+01 2.80000000e+01 6.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00] 
normalized_data_unitybins = normalize_integral(data,1) 


plt.figure(figsize=(9,4)) 
ax1=plt.subplot(121) 
ax2=plt.subplot(122) 
ax2.bar(unity_bins, normalized_data_unitybins, width=1, color='b') 
fitParams, fitCov = curve_fit(pdf, unity_bins, normalized_data_unitybins, p0=[1,1],maxfev = 1000000) 
fitData=pdf(unity_bins, *fitParams) 
ax2.plot(unity_bins, fitData,'g-') 

ax1.bar(bin_points, normalized_data_unitybins, width=10, color='b') 
fitParams, fitCov = curve_fit(pdf, bin_points, normalized_data_unitybins, p0=[1,1],maxfev = 1000000) 
fitData=pdf(bin_points, *fitParams) 
ax1.plot(bin_points, fitData,'g-') 

Answer 1

, 당신은 비닝 데이터 lognorm.fit를 사용할 수 없습니다. 따라서 히스토그램에서 원시 데이터를 복원하면됩니다. 분명히 이것은 '무손실'이 아니라 빈이 많을수록 좋습니다. 일부 생성 된 데이터와

샘플 코드 :

import numpy as np 
import scipy.stats as stats 
import matplotlib.pylab as plt 


# generate some data 
ln = stats.lognorm(0.4,scale=100) 
data = ln.rvs(size=2000) 

counts, bins, _ = plt.hist(data, bins=50) 
# note that the len of bins is 51, since it contains upper and lower limit of every bin 

# restore data from histogram: counts multiplied bin centers 
restored = [[d]*int(counts[n]) for n,d in enumerate((bins[1:]+bins[:-1])/2)] 
# flatten the result 
restored = [item for sublist in restored for item in sublist] 

print stats.lognorm.fit(restored, floc=0) 

dist = stats.lognorm(*stats.lognorm.fit(restored, floc=0)) 
x = np.arange(1,400) 
y = dist.pdf(x) 

# the pdf is normalized, so we need to scale it to match the histogram 
y = y/y.max() 
y = y*counts.max() 

plt.plot(x,y,'r',linewidth=2) 
plt.show()