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
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
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：
欢迎加入QQ群-->： 979659372
