直方图拟合与python

Question

我一直在冲浪，但没有找到正确的方法来执行以下操作。

我用matplotlib做了直方图：

hist, bins, patches = plt.hist(distance, bins=100, normed='True')

从图中可以看出，分布或多或少呈指数（泊松分布）。如何考虑我的hist和bin数组，最佳拟合？

更新

我使用以下方法：

x = np.float64(bins) # Had some troubles with data types float128 and float64
hist = np.float64(hist)
myexp=lambda x,l,A:A*np.exp(-l*x)
popt,pcov=opt.curve_fit(myexp,(x[1:]+x[:-1])/2,hist)

但是我得到了

---> 41 plt.plot(stats.expon.pdf(np.arange(len(hist)),popt),'-')

ValueError: operands could not be broadcast together with shapes (100,) (2,)

Answer 1

您所描述的是exponential distribution的一种形式，并且您希望在给定数据中观察到的概率密度的情况下估计指数分布的参数。不使用非线性回归方法（假设残差误差是高斯分布的），一种正确的方法可以说是MLE（最大似然估计）。

scipy在其stats库中提供了大量连续分发，MLE使用.fit()方法实现。当然，指数分布是there：

In [1]:

import numpy as np
import scipy.stats as ss
import matplotlib.pyplot as plt
%matplotlib inline
In [2]:
#generate data 
X = ss.expon.rvs(loc=0.5, scale=1.2, size=1000)

#MLE
P = ss.expon.fit(X)
print P
(0.50046056920696858, 1.1442947648425439)
#not exactly 0.5 and 1.2, due to being a finite sample

In [3]:
#plotting
rX = np.linspace(0,10, 100)
rP = ss.expon.pdf(rX, *P)
#Yup, just unpack P with *P, instead of scale=XX and shape=XX, etc.
In [4]:

#need to plot the normalized histogram with `normed=True`
plt.hist(X, normed=True)
plt.plot(rX, rP)
Out[4]:

您的distance将在此处替换X。