matplotlib

Question

के साथ नमूना द्वारा संभाव्यता घनत्व फ़ंक्शन प्लॉटिंग मैं पर आधारित नमूना घनत्व फ़ंक्शन का अनुमान लगा सकता हूं जो मेरे पास है; वक्र जो हिस्टोग्राम व्यवहार की नकल करता है। मैं के रूप में बड़े आकार के नमूने कर सकते हैं।

Answer 1

आप एक वितरण साजिश करना चाहते हैं, और आप इसे जानते हैं, तो एक समारोह के रूप में यह परिभाषित है, और यह के रूप में इतना साजिश:

import numpy as np 
from matplotlib import pyplot as plt 

def my_dist(x): 
    return np.exp(-x ** 2) 

x = np.arange(-100, 100) 
p = my_dist(x) 
plt.plot(x, p) 
plt.show() 

---

आप एक के रूप में सटीक वितरण नहीं है, तो विश्लेषणात्मक समारोह, शायद आप एक बड़े नमूना उत्पन्न कर सकते हैं, एक हिस्टोग्राम लेने के लिए और किसी भी तरह डेटा चिकनी: UnivariateSpline च भीतर

import numpy as np 
from scipy.interpolate import UnivariateSpline 
from matplotlib import pyplot as plt 

N = 1000 
n = N//10 
s = np.random.normal(size=N) # generate your data sample with N elements 
p, x = np.histogram(s, bins=n) # bin it into n = N//10 bins 
x = x[:-1] + (x[1] - x[0])/2 # convert bin edges to centers 
f = UnivariateSpline(x, p, s=n) 
plt.plot(x, f(x)) 
plt.show() 

आप को बढ़ाने या s (चौरसाई कारक) कम कर सकते हैं चिकनाई बढ़ाने या घटाने के लिए एकक्शन कॉल। उदाहरण के लिए, आप दोनों को प्राप्त करते हैं:

Answer 2

आपको क्या करना है scipy.stats.kde पैकेज से gaussian_kde का उपयोग करना है।

अपने डेटा को देखते हुए आप कुछ इस तरह कर सकते हैं:

from scipy.stats.kde import gaussian_kde 
from numpy import linspace 
# create fake data 
data = randn(1000) 
# this create the kernel, given an array it will estimate the probability over that values 
kde = gaussian_kde(data) 
# these are the values over wich your kernel will be evaluated 
dist_space = linspace(min(data), max(data), 100) 
# plot the results 
plt.plot(dist_space, kde(dist_space)) 

कर्नेल घनत्व होगा पर विन्यस्त किया जा सकता और आसानी के साथ एन आयामी डेटा को संभाल कर सकते हैं। यह पूछताछ द्वारा दी गई साजिश में आप देख सकते हैं कि स्पलीन विचलन से भी बचेंगे।