我想将一些数据放到Pareto distribution using the scipy.stats库中。我不确定问题是否可能是数字，所以只是为了安全;我为自变量（'分钟'）测量了因变量（让我们称之为'推'）的值，从几千分钟开始，每隔十分钟一次（除了在数据清理过程中删除的几个点） ）。
e.g。
2780.0 362.0
2800.0 376.0
2810.0 393.0 ...
我能找到的最好的信息就像是
from scipy.stats import pareto
result = pareto.fit(data)
我不知道在这种情况下如何格式化这些数据。我尝试了以下但都导致错误。
result = pareto.fit(zip(minutes, pushes))
result = pareto.fit(pushes)
错误通常是
Warning: invalid value encountered in double_scalars
答案 0 :(得分：0)
正如我在上面的评论中所提到的，pareto.fit()并不是你想要的。
scipy.stats中连续分布的.fit() methods获得分布参数的估计值，以最大化观察某些特定样本值集的概率。因此，pareto.fit()只需要一个单个数组参数，其中包含要使分布适合的样本。其他关键字参数控制拟合过程的各个方面，例如通过指定分布参数的初始值。
你实际试图做的是使某个独立变量x与某些因变量y之间的关系适合，即
y_fit = f(x, params)
您需要做的是：
为f选择一些功能表单。根据您的描述，y与x的图形类似于probability density function for a Pareto distribution，因此可能这个或衰减的指数可能是合适的。
找到最小化params和y之间差异度量的y_fit集（通常是差值的平方和）。您可以使用scipy.optimize.curve_fit或scipy.optimize.minimize执行此操作。