Question

有没有人知道如何用scipy绘制偏斜正态分布？我认为stats.norm类可以使用，但我无法弄清楚如何。此外，如何估计描述一维数据集的偏斜正态分布的参数？

Answer 1

来自维基百科description，

from scipy import linspace
from scipy import pi,sqrt,exp
from scipy.special import erf

from pylab import plot,show

def pdf(x):
    return 1/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):
    t = (x-e) / w
    return 2 / w * pdf(t) * cdf(a*t)
    # You can of course use the scipy.stats.norm versions
    # return 2 * norm.pdf(t) * norm.cdf(a*t)


n = 2**10

e = 1.0 # location
w = 2.0 # scale

x = linspace(-10,10,n) 

for a in range(-3,4):
    p = skew(x,e,w,a)
    plot(x,p)

show()

如果要使用scipy.optimize.leastsq从数据集中查找比例，位置和形状参数，例如使用e=1.0，w=2.0和a=1.0，

fzz = skew(x,e,w,a) + norm.rvs(0,0.04,size=n) # fuzzy data

def optm(l,x):
    return skew(x,l[0],l[1],l[2]) - fzz

print leastsq(optm,[0.5,0.5,0.5],(x,))

应该给你类似的东西，

(array([ 1.05206154,  1.96929465,  0.94590444]), 1)

Answer 2

接受的答案或多或少已过时，因为现在在scipy中实现了skewnorm函数。所以代码可以编写得更短：

 from scipy.stats import skewnorm
 import numpy as np
 from matplotlib import pyplot as plt

 X = np.linspace(min(your_data), max(your_data))
 plt.plot(X, skewnorm.pdf(X, *skewnorm.fit(your_data))

在scipy中扭曲正态分布

2 个答案: