Seaborn distplot：使用一些固定参数拟合分布答案

【问题标题】：Seaborn distplot: fit distribution with some fixed parameresSeaborn distplot：使用一些固定参数拟合分布
【发布时间】：2018-05-30 14:14:57
【问题描述】：

我想为给定的数据数组x 拟合一些分布，比如伽玛，并绘制相应的密度函数。我可以通过seaborn.distplot 和scipy.stats 轻松做到这一点：

sns.distplot(x, fit = stats.gamma)

但是，假设我希望此分布的某些参数保持不变，例如 loc。当我使用来自scipy.stats 的fit 函数和固定的loc 时，我将其写为

stats.gamma.fit(x, floc = 0)

有没有办法在distplot 函数中将loc=0 传递给fit 并达到相同的结果？

【问题讨论】：

标签： python matplotlib seaborn data-fitting

【解决方案1】：

在sns.distplot(x, fit = stats.gamma) 确实会显示合理的情节并且stats.gamma.fit(x, loc = 0) 会给出所需统计数据的条件下，您可以通过fit_kws 提供参数：

sns.distplot(x, fit = stats.gamma, fit_kws={"loc" : 0})

[此答案基于阅读 the documentation 并且未经测试，因为问题中没有给出用例。]

【讨论】：

不。 AttributeError: Unknown property floc
正如答案所说，“在条件下......”。现在看来问题中有错误。它应该是 loc 而不是 floc。

【解决方案2】：

最简单的方法是不使用 distplot 绘制拟合，而是使用 in this post 描述的方法。提供的简单示例：

import matplotlib.pyplot as plt
import pandas as pd
from scipy import stats
import numpy as np

df = pd.DataFrame(np.random.gamma(2, scale=2, size=5000),
                  columns=['samples'])

params = stats.gamma.fit(df.samples, loc=0)
xvals = np.linspace(0, df.samples.max())
pdf = lambda x: stats.gamma.pdf(xvals, *params)
yvals = pdf(xvals)

fig, ax1 = plt.subplots()

df.samples.hist(bins=20, ax=ax1, normed=True, label='Samples',
                grid=False, edgecolor='k')

plt.plot(xvals, yvals, axes=ax1, c='r', label='Fit')
ax1.legend()

这将导致类似... not enough rep to embed

【讨论】：

【解决方案3】：

这是个好问题。要找到给定数据集的 Gamma 分布近似值，可以使用似然函数。这是配方的链接。 https://en.wikipedia.org/wiki/Gamma_distribution 在这里，我根据给定的 gamma 参数生成了一些随机数。然后我使用数据和最大似然来找到分布的参数。

import numpy as np
from scipy.special import psi
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.optimize import fsolve

# Generating Random variable based on Gamma dist:

shape, scale = 3., 5.  # 
s = np.random.gamma(shape, scale, 1000)

plt.hist(s, 50, density=True)


# Solving Liklihood:
Log_s=np.log(s)
Mean_s=np.mean(s)
Size_s=np.size(s)

k=fsolve(lambda k: np.log(k)-psi(k)-np.log(Mean_s)+(1/Size_s)*np.sum(Log_s),.1)
theta=Mean_s/k

sns.distplot(np.random.gamma(k, theta, 1000), hist=False, label='Gamma')

plt.show()

【讨论】：