如何在 Python 中应用 Box-Cox 变换？答案

【问题标题】：How to apply Box-Cox transformation in Python?如何在 Python 中应用 Box-Cox 变换？
【发布时间】：2015-07-13 04:11:10
【问题描述】：

我有以下形式的数据：

X   Y
3.53    0
4.93    50
5.53    60
6.21    70
7.37    80
9.98    90
16.56   100

我想找出 n 以便它可以适合形式的函数：

我正在尝试通过 Box-Cox 变换确定 n。这如何在 Python 中完成？

【问题讨论】：

标签： python numpy scipy curve-fitting

【解决方案1】：

案例 1：

这是你的数据框

    X       Y
0   3.53    0
1   4.93    50
2   5.53    60
3   6.21    70
4   7.37    80
5   9.98    90
6   16.56   100

您的数据包含 0，因此您可以选择 boxcox1p

import pandas as pd
from scipy.special import boxcox1p
df.apply(lambda x: boxcox1p(x,0.25))

输出：

    X           Y
0   1.835587    0.000000
1   2.241999    6.689380
2   2.394230    7.178730
3   2.554564    7.611132
4   2.803640    8.000000
5   3.281328    8.354362
6   4.188250    8.680616

案例 2：

如果您的数据不包含 0 值，那么您可以选择 boxcox

    X       Y
0   3.53    10
1   4.93    50
2   5.53    60
3   6.21    70
4   7.37    80
5   9.98    90
6   16.56   100

然后

from scipy import stats
df.apply(lambda x: stats.boxcox(x)[0])

输出：

    X           Y
0   0.910243    16.561988
1   1.063005    157.733998
2   1.109383    202.939104
3   1.153342    251.083555
4   1.213348    301.896331
5   1.306681    355.163289
6   1.431789    410.710034

【讨论】：

【解决方案2】：

对于 Python 中的 Box-Cox 转换，您必须遵循以下步骤：-

from scipy.stats import boxcox
from scipy.special import inv_boxcox

y =[10,20,30,40,50]
y,fitted_lambda= boxcox(y,lmbda=None)
inv_boxcox(y,fitted_lambda)

在scipy.special 包中box-cox 方法存在，但期望lambda 明确。因此我使用来自scipy.stats 的box-cox 和来自特殊的inv_box-cox，因为inv_boxcox 在scipy.stats 中不可用。

【讨论】：

【解决方案3】：

1+x 的 Box-Cox 在零的情况下可能会有所帮助(boxcox1p)

from scipy.special import boxcox1p
boxcox1p([0.01, 0.1], 0.25)

【讨论】：

【解决方案4】：

我想你想要scipy.stats.boxcox。

from scipy import stats
import numpy as np

data = np.fromstring('3.53    0 4.93    50 5.53    60 6.21    70 7.37    80 9.98    90 16.56   100', sep=' ').reshape(7, 2)

stats.boxcox(data[0,])
(array([ 0.91024309,  1.06300488,  1.10938333,  1.15334193,  1.213348  ,
     1.30668122,  1.43178909]), -0.54874593147877893)

【讨论】：