我有一些时间数据(一天中的几小时)。我想为这些数据拟合von mises分布,并找到周期均值。我如何在python中使用scipy做到这一点?
例如:
from scipy.stats import vonmises
data = [1, 2, 22, 23]
A = vonmises.fit(data)
我不知道如何使用拟合或均值或区间方法获得此数据的分布(可能是区间)和周期均值。
答案 0 :(得分:0)
在找到VM发行版方面做得很好。那是成功的一半。 但是除非我被scipy.stats.vonmises docs中的公式弄错,否则该公式假定数据以0为中心,事实并非如此。因此,我们可能应该构建自己的VM发行版。对于我们的Vm分配,我们将确保它在24小时范围内是周期性的,而不是传统的2pi范围。请参阅下面的代码和注释。此外,我假设您的数据是您看到某个事件发生的时间,如果不是这种情况,则需要重新调整。
from scipy.optimize import curve_fit
import numpy as np
from matplotlib import pyplot as plt
# Define the von mises kernel density estimator
def circular_von_mises_kde(x,mu,sigma):
# Adjust data to take it to range of 2pi
x = [(hr)*2*np.pi/24 for hr in x]
mu*=2*np.pi/24
sigma*=2*np.pi/24
# Compute kappa for vm kde
kappa = 1/sigma**2
return np.exp((kappa)*np.cos((x-mu)))/(2*np.pi*i0(kappa))
# Assuming your data is occurences of some event at the given hour of the day
frequencies= np.zeros((24))
frequencies[data]=1
hr_data = np.linspace(1,24, 24)
fit_params, cov = curve_fit(circular_von_mises_kde, hr_data, data_to_fit, bounds=(0,24))
plt.plot(hr_data, frequencies, 'k.',label='Raw data')
plt.plot(np.linspace(1,25, 1000), circular_von_mises_kde(np.linspace(1,25, 1000), *fit_params), 'r-',label='Von Mises Fit')
plt.legend()
plt.xlabel('Hours (0-24)')
plt.show()
print('The predicted mean is {mu} and the standard deviation is {sigma}'.format( mu=round(fit_params[0],3), sigma=round(fit_params[1], 3)))
Click to see the result of the above code *请注意,您可能需要更大的数据集以进行适当的拟合并真正建立人口趋势。