Question

我有一个格式为

的数据集

频率，方向，归一化功率谱密度，扩展，偏度，峰度

我能够使用skew normal distribution in scipy中最顶层答案的代码可视化特定记录的分布，但我不确定如何将分布值应用于分布？

from scipy import linspace
from scipy import pi,sqrt,exp
from scipy.special import erf
from pylab import plot,show

def pdf(factor, x):
    return (100*factor)/sqrt(2*pi) * exp(-x**2/2)

def cdf(x):
    return (1 + erf(x/sqrt(2))) / 2

def skew(x,e=0,w=1,a=0, norm_psd=1):
    t = (x-e) / w
    return 2 / w * pdf(norm_psd, t) * cdf(a*t)

n = 540
e = 341.9 # direction
w = 59.3 # spread
a = 3.3 # skew
k = 4.27 # kurtosis
n_psd = 0.5 # normalised power spectral density
x = linspace(-90, 450, n) 


p = skew(x, e, w, a, n_psd)
print max(p)
plot(x,p)
show()

编辑：我从标题中删除了偏斜法线，因为我认为实际上不可能将峰度值应用于上述分布，我认为需要不同的分布，因为方向是涉及从循环统计分布可能更合适？

由于下面的答案我可以使用下面代码中演示的pdf_mvsk函数来应用峰度，不幸的是我的偏斜值会导致负y值，但答案满足了我的问题。

import numpy as np
import matplotlib.pyplot as plt
import statsmodels.sandbox.distributions.extras as extras

pdffunc = extras.pdf_mvsk([341.9, 59.3, 3.3, 4.27])
range = np.arange(0, 360, 0.1)
plt.plot(range, pdffunc(range))
plt.show()

Answer 1

如果你有平均值，标准差，倾斜度和峰度，那么你可以使用Gram-Charlier扩展来建立近似正态的分布。

我前一段时间研究过这个问题，scipy.stats的功能出错并被删除了。

我不记得这是什么状态，因为很久以前我把它放在statsmodels沙盒中 http://statsmodels.sourceforge.net/devel/generated/statsmodels.sandbox.distributions.extras.pdf_mvsk.html#statsmodels.sandbox.distributions.extras.pdf_mvsk

将峰度应用于python中的分布

1 个答案: