基于Python的观测数据似然估计
leopy-stat的Python项目详细描述
具有不确定、缺失、删失和相关值的数据是常见的 包括天文学在内的许多研究领域。不幸的是,这些数据往往 以特殊方式处理可能导致参数不一致 估计。此外,在现实环境中,感兴趣的变量或 它们的误差可能具有非正态分布,使建模复杂化。 leopy使用了一种新的技术来计算这些数据的似然函数 套。该方法利用高斯copula对相关进行解耦 变量的结构及其边际分布导致 有测量数据的似然函数计算方法 不确定性、审查和缺失数据。在
如果您使用本规范的任何版本,请正确参考规范文件: Feldmann,R.(2019年)“LEO Py:估计相关、审查的可能性, 以及给定边际分布的不确定数据”,天文学与计算, 29100331号,DOI:10.1016/j.ascom.2019.100331
版权所有2019苏黎世大学,罗伯特·费尔德曼
leopy需要安装python3.5或更高版本才能运行。在
在安装leopy之前,您可能需要设置一个虚拟环境 python -mvenv /path/to/new/virtual/environment,并通过 source /path/to/new/virtual/environment/bin/activate。在
要从存储库安装LEO Py:
- 从<;https://github.com/rfeldmann/leopy>;下载源代码;。在
- 转到包目录。在
- 运行python setup.py install。在
要通过PyPI安装LEO Py:
- 运行pip install leopy-stat。在
- 注意,本例中没有安装示例脚本和文档。在
要测试安装:
- 从包目录运行python setup.py test(如果安装自 来源)。在
- 转到“site packages”目录并运行python -m pytest leopy (如果通过PyPI安装)。在
要访问代码文档(如果是从源代码安装的):
- 从包目录运行python setup.py build_html。在
- 打开./build/sphinx/html/索引.html阅读文档。在
使用leopy非常简单,包括4个步骤:
- 加载模块(import leopy)。在
- 创建观测数据集(利奥比。观察). 在
- 实例创建可能性(利奥比。可能). 在
- 调用似然实例的函数p()。在
例如,一个最小的例子是:
import pandas as pd from leopy import Observation, Likelihood d = {'v0': [1, 2], 'e_v0': [0.1, 0.2], 'v1': [3, 4], 'e_v1': [0.1, 0.1]} obs = Observation(pd.DataFrame(d), 'testdata') l = Likelihood(obs, p_true='lognorm', p_cond='norm') l.p([0.5, 0.7], [1, 2], shape_true=[[1.4], [2.]]) # array([[0.04415447], # [0.01089338]])
在“paper”和“examples”子目录中提供了更多示例 (如果从源安装)。在
leopy是自由软件:你可以重新发布和/或修改 根据GNU通用公共许可证的条款 自由软件基金会,许可证的第3版,或 (由您选择)任何更高版本。在
发布LEO Py是希望它能有用, 但没有任何保证;甚至没有 适销性或对特定目的的适用性。见 GNU通用公共许可证获取更多详细信息。在
您应该已经收到了GNU通用公共许可证的副本 还有利奥·皮伊。如果没有,请参见<;https://www.gnu.org/licenses/>;。在
- 项目
标签: