python - guia - qgis manual

Ajustar una función gaussiana

Question

Tengo un histograma (ver más abajo) y estoy tratando de encontrar la media y la desviación estándar junto con el código que se ajusta a la curva de mi histograma. Creo que hay algo en SciPy o matplotlib que puede ayudar, pero cada ejemplo que probé no funciona.

import matplotlib.pyplot as plt
import numpy as np

with open(''gau_b_g_s.csv'') as f:
    v = np.loadtxt(f, delimiter= '','', dtype="float", skiprows=1, usecols=None)

fig, ax = plt.subplots()

plt.hist(v, bins=500, color=''#7F38EC'', histtype=''step'')

plt.title("Gaussian")
plt.axis([-1, 2, 0, 20000])

plt.show()

Answer 1

Eche un vistazo a esta respuesta para ajustar curvas arbitrarias a los datos. Básicamente, puede usar scipy.optimize.curve_fit para adaptar cualquier función que desee a sus datos. El código a continuación muestra cómo puedes adaptar un gaussiano a algunos datos aleatorios (crédito para this publicación de la lista de correo de usuarios de SciPy).

import numpy
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

# Define some test data which is close to Gaussian
data = numpy.random.normal(size=10000)

hist, bin_edges = numpy.histogram(data, density=True)
bin_centres = (bin_edges[:-1] + bin_edges[1:])/2

# Define model function to be used to fit to the data above:
def gauss(x, *p):
    A, mu, sigma = p
    return A*numpy.exp(-(x-mu)**2/(2.*sigma**2))

# p0 is the initial guess for the fitting coefficients (A, mu and sigma above)
p0 = [1., 0., 1.]

coeff, var_matrix = curve_fit(gauss, bin_centres, hist, p0=p0)

# Get the fitted curve
hist_fit = gauss(bin_centres, *coeff)

plt.plot(bin_centres, hist, label=''Test data'')
plt.plot(bin_centres, hist_fit, label=''Fitted data'')

# Finally, lets get the fitting parameters, i.e. the mean and standard deviation:
print ''Fitted mean = '', coeff[1]
print ''Fitted standard deviation = '', coeff[2]

plt.show()

Answer 2

No estoy seguro de cuál es su opinión, pero posiblemente su escala del eje y sea demasiado grande (20000), intente reducir este número. El siguiente código funciona para mí:

import matplotlib.pyplot as plt
import numpy as np

#created my variable
v = np.random.normal(0,1,1000)


fig, ax = plt.subplots()


plt.hist(v, bins=500, normed=1, color=''#7F38EC'', histtype=''step'')

#plot
plt.title("Gaussian")
plt.axis([-1, 2, 0, 1]) #changed 20000 to 1

plt.show()

Editar:

Si desea el recuento real de valores en el eje y, puede establecer normed=0 . Y simplemente se desharía del plt.axis([-1, 2, 0, 1]) .

import matplotlib.pyplot as plt
import numpy as np

#function
v = np.random.normal(0,1,500000)


fig, ax = plt.subplots()

# changed normed=1 to normed=0
plt.hist(v, bins=500, normed=0, color=''#7F38EC'', histtype=''step'')

#plot
plt.title("Gaussian")
#plt.axis([-1, 2, 0, 20000]) 

plt.show()

Answer 3

Puede probar la estimación del modelo Sklearn Gaussian Mix como se muestra a continuación:

import numpy as np
import sklearn.mixture

gmm = sklearn.mixture.GMM()

# sample data
a = np.random.randn(1000)

# result
r = gmm.fit(a[:, np.newaxis]) # GMM requires 2D data as of sklearn version 0.16
print("mean : %f, var : %f" % (r.means_[0, 0], r.covars_[0, 0]))

Referencia: http://scikit-learn.org/stable/modules/mixture.html#mixture

Tenga en cuenta que de esta manera, no necesita estimar la distribución de su muestra con un histograma.

Answer 4

Una especie de pregunta antigua, pero para cualquiera que busque trazar un ajuste de densidad para una serie, puedes probar el argumento de .plot(kind=''kde'') . Docs here

Ejemplo con pandas:

mydf.x.plot(kind=''kde'')