利用Q-Q图得到一组数据点与理论分布的拟合优度。以下是获取分数的步骤。在
找到与样本相对应的模型值。分两步完成
a.将每个样本与其所代表的百分比相关联。pi=(i-0.5)/n
b.计算与该百分位相关的模型值。这是通过反转模型CDF来实现的,就像从模型分布中生成随机变量一样。因此,与样本i相对应的模型值为Finverse(pi)。在
c.使用n个点绘制Q-Q图
(X(i),Finverse(pi))1≤i≤n
使用这种方法,我得到了下面的python实现。在
_distn_names = ["pareto"]
def fit_to_all_distributions(data):
dist_names = _distn_names
params = {}
for dist_name in dist_names:
try:
dist = getattr(st, dist_name)
param = dist.fit(data)
params[dist_name] = param
except Exception:
print("Error occurred in fitting")
params[dist_name] = "Error"
return params
def get_q_q_plot(values, dist, params):
values.sort()
arg = params[:-2]
loc = params[-2]
scale = params[-1]
x = []
for i in range(len(values)):
x.append((i-0.5)/len(values))
y = getattr(st, dist).ppf(x, loc=loc, scale=scale, *arg)
y = list(y)
emp_percentiles = values
dist_percentiles = y
print("Emperical Percentiles")
print(emp_percentiles)
print("Distribution Percentiles")
print(dist_percentiles)
plt.figure()
plt.xlabel('dist_percentiles')
plt.ylabel('actual_percentiles')
plt.title('Q Q plot')
plt.plot(dist_percentiles, emp_percentiles)
plt.savefig("/path/q-q-plot.png")
b = 2.62
latencies = st.pareto.rvs(b, size=500)
data = pd.Series(latencies)
params = fit_to_all_distributions(data)
pareto_params = params["pareto"]
get_q_q_plot(latencies, "pareto", pareto_params)
理想情况下,我应该得到一条直线,但这就是我得到的。在
为什么我不能得到一条直线?我的实现有什么问题吗?在
您可以使用以下代码获得任何分布的Q-Q图(scipy stats中有82个)。在
相关问题 更多 >
编程相关推荐