Python 相当于 MATLAB 的范数图？

发布于 2024-11-16 09:16:09 字数 769 浏览 2 评论 0原文

是否有类似于 MATLAB 中的 normplot 的 python 等效函数？也许在 matplotlib 中？

MATLAB 语法：

x = normrnd(10,1,25,1);
normplot(x)

给出：

在此处输入图像描述

我尝试过使用 matplotlib & numpy 模块来确定数组中值的概率/百分位，但输出图 y 轴刻度与 MATLAB 中的图相比是线性的。

import numpy as np
import matplotlib.pyplot as plt

data =[-11.83,-8.53,-2.86,-6.49,-7.53,-9.74,-9.44,-3.58,-6.68,-13.26,-4.52]
plot_percentiles = range(0, 110, 10) 

x = np.percentile(data, plot_percentiles)
plt.plot(x, plot_percentiles, 'ro-')
plt.xlabel('Value')
plt.ylabel('Probability')  
plt.show()

给出：在此处输入图像描述

否则，如何像第一个图中那样调整比例？

谢谢。

原文

Is there a python equivalent function similar to normplot from MATLAB?
Perhaps in matplotlib?

MATLAB syntax:

x = normrnd(10,1,25,1);
normplot(x)

Gives:

enter image description here

I have tried using matplotlib & numpy module to determine the probability/percentile of the values in array but the output plot y-axis scales are linear as compared to the plot from MATLAB.

import numpy as np
import matplotlib.pyplot as plt

data =[-11.83,-8.53,-2.86,-6.49,-7.53,-9.74,-9.44,-3.58,-6.68,-13.26,-4.52]
plot_percentiles = range(0, 110, 10) 

x = np.percentile(data, plot_percentiles)
plt.plot(x, plot_percentiles, 'ro-')
plt.xlabel('Value')
plt.ylabel('Probability')  
plt.show()

Gives:
enter image description here

Else, how could the scales be adjusted as in the first plot?

Thanks.

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

多情出卖 2024-11-23 09:16:09

答案很晚，但我刚刚遇到了同样的问题并找到了解决方案，值得分享。我猜。

正如乔里斯指出的那样，概率图函数与范数图等效，但所得分布采用累积密度函数的形式。 Scipy.stats 还提供了一个函数来转换这些值。

cdf->百分位

stats.'distribution function'.cdf(cdf_value)

百分位 -> cdf

stats.'distribution function'.ppf(percentile_value)

例如

stats.norm.ppf(percentile)

：要获得等效的 y 轴，如normplot，您可以替换 cdf-ticks：

from scipy import stats
import matplotlib.pyplot as plt

nsample=500

#create list of random variables
x=stats.t.rvs(100, size=nsample)

# Calculate quantiles and least-square-fit curve
(quantiles, values), (slope, intercept, r) = stats.probplot(x, dist='norm')

#plot results
plt.plot(values, quantiles,'ob')
plt.plot(quantiles * slope + intercept, quantiles, 'r')

#define ticks
ticks_perc=[1, 5, 10, 20, 50, 80, 90, 95, 99]

#transfrom them from precentile to cumulative density
ticks_quan=[stats.norm.ppf(i/100.) for i in ticks_perc]

#assign new ticks
plt.yticks(ticks_quan,ticks_perc)

#show plot
plt.grid()
plt.show()

结果：

概率图使用 matplotlib

A late answer, but I just came across the same problem and found a solution, that is worth sharing. I guess.

As joris pointed out the probplot function is an equivalent to normplot, but the resulting distribution is in form of the cumulative density function. Scipy.stats also offers a function, to convert these values.

cdf -> percentile

stats.'distribution function'.cdf(cdf_value)

percentile -> cdf

stats.'distribution function'.ppf(percentile_value)

for example:

stats.norm.ppf(percentile)

To get an equivalent y-axis, like normplot, you can replace the cdf-ticks:

from scipy import stats
import matplotlib.pyplot as plt

nsample=500

#create list of random variables
x=stats.t.rvs(100, size=nsample)

# Calculate quantiles and least-square-fit curve
(quantiles, values), (slope, intercept, r) = stats.probplot(x, dist='norm')

#plot results
plt.plot(values, quantiles,'ob')
plt.plot(quantiles * slope + intercept, quantiles, 'r')

#define ticks
ticks_perc=[1, 5, 10, 20, 50, 80, 90, 95, 99]

#transfrom them from precentile to cumulative density
ticks_quan=[stats.norm.ppf(i/100.) for i in ticks_perc]

#assign new ticks
plt.yticks(ticks_quan,ticks_perc)

#show plot
plt.grid()
plt.show()

The result:

probability plot with matplotlib

回复收藏 0 原文

离旧人 2024-11-23 09:16:09

我相当确定 matplotlib 不提供这样的东西。

当然，这是可能的，但是您必须重新调整数据并更改 y 轴刻度/标签以匹配，或者，如果您打算经常这样做，也许可以编写一个可以应用的新比例到 matplotlib 轴，如本例所示： http://matplotlib.sourceforge.net/examples/api/custom_scale_example.html。

回复收藏 0 原文