SciPy kullanarak Quantile-Quantile Plot

Python kullanarak nasıl bir qq arsa yaratırsınız?

Büyük bir ölçüm kümesine sahip olduğunuzu ve girdi olarak XY değerlerini alan bazı çizim işlevlerini kullandığınızı varsayarsak. Fonksiyon, bazı dağılımların karşılık gelen niceliklerine karşı ölçümlerin niceliklerini çizmelidir (normal, tekdüze ...).

Ortaya çıkan grafik, ölçümümüzde varsayılan dağılımı izleyerek değerlendirmemizi sağlar.

http://en.wikipedia.org/wiki/Quantile-quantile_plot

Hem R hem de Matlab bunun için hazır işlevler sağlar, ancak Python'da uygulamak için en temiz yöntemin ne olacağını merak ediyorum.

Bunun scipy.stats.probplotistediğini yapacağını düşünüyorum . Daha fazla ayrıntı için belgelere bakın .

import numpy as np 
import pylab 
import scipy.stats as stats

measurements = np.random.normal(loc = 20, scale = 5, size=100)   
stats.probplot(measurements, dist="norm", plot=pylab)
pylab.show()

Sonuç

Kullanılması qqplotait statsmodels.apibaşka bir seçenektir:

Çok basit bir örnek:

import numpy as np
import statsmodels.api as sm
import pylab

test = np.random.normal(0,1, 1000)

sm.qqplot(test, line='45')
pylab.show()

Sonuç:

Belgeler ve daha fazla örnek burada

Bir numuneye karşı diğerinin QQ grafiğini yapmanız gerekiyorsa, istatistik modelleri qqplot_2samples () içerir. Ricky Robinson'ın yukarıdaki bir yorumda olduğu gibi, bu, teorik bir dağılıma karşı bir örnek olan bir olasılık grafiğine karşı bir QQ grafiği olarak düşündüğüm şeydir.

http://statsmodels.sourceforge.net/devel/generated/statsmodels.graphics.gofplots.qqplot_2samples.html

Bunu ben buldum. Belki onu geliştirebilirsin. Özellikle dağılımın niceliklerini üretme yöntemi bana külfetli geliyor.

Sen yerini alabilecek np.random.normalbaşka herhangi dağılımla np.randomdiğer dağılımlar karşı karşılaştırmak verilere.

#!/bin/python

import numpy as np

measurements = np.random.normal(loc = 20, scale = 5, size=100000)

def qq_plot(data, sample_size):
    qq = np.ones([sample_size, 2])
    np.random.shuffle(data)
    qq[:, 0] = np.sort(data[0:sample_size])
    qq[:, 1] = np.sort(np.random.normal(size = sample_size))
    return qq

print qq_plot(measurements, 1000)

Artık istatistik modelleri paketinde mevcuttur:

http://statsmodels.sourceforge.net/devel/generated/statsmodels.graphics.gofplots.qqplot.html

Python ve R dünyalarındaki QQ grafikleri ve olasılık grafikleri etrafındaki karışıklığa ek olarak, SciPy kılavuzunun söylediği şey şudur :

" probplotQQ veya PP grafiği ile karıştırılmaması gereken bir olasılık grafiği oluşturur. Statsmodels bu türden daha kapsamlı işlevselliğe sahiptir, bkz. statsmodels.api.ProbPlot."

Eğer denerseniz scipy.stats.probplot, gerçekten de bir veri kümesini teorik bir dağılımla karşılaştırdığını göreceksiniz. QQ grafikleri, OTOH, iki veri setini (numuneleri) karşılaştırın.

R fonksiyonları vardır qqnorm, qqplotve qqline. R yardımından (Sürüm 3.6.3):

qqnormvarsayılan yöntemi y'deki değerlerin normal bir QQ grafiğini üreten genel bir işlevdir. qqline"teorik", varsayılan olarak normal, kuantil-kuantil grafiğe bir çizgi ekler ve bu, probların niceliklerinden, varsayılan olarak birinci ve üçüncü çeyreklerden geçer.

qqplot iki veri kümesinin QQ grafiğini üretir.

Kısacası, R'ler , varsayılan ayarı sağlayan qqnormaynı işlevselliği sunar . Ancak onu adlandırmaları ve "normal bir QQ grafiği üretmesi" gerektiği gerçeği, kullanıcıların kolayca kafasını karıştırabilir.scipy.stats.probplotdist=normqqnorm

Son olarak, bir uyarı. Bu grafikler, uygun istatistiksel testlerin yerini almaz ve yalnızca açıklama amacıyla kullanılmalıdır.

Bokeh kullanabilirsiniz

from bokeh.plotting import figure, show
from scipy.stats import probplot
# pd_series is the series you want to plot
series1 = probplot(pd_series, dist="norm")
p1 = figure(title="Normal QQ-Plot", background_fill_color="#E8DDCB")
p1.scatter(series1[0][0],series1[0][1], fill_color="red")
show(p1)

import numpy as np 
import pylab 
import scipy.stats as stats
measurements = np.random.normal(loc = 20, scale = 5, size=100)   
stats.probplot(measurements, dist="norm", plot=pylab)
pylab.show()

Burada probplot, dist = "norm" olarak belirtilen normal dağılımla grafik ölçümlerini çizer

Örneğiniz ne kadar büyük? İşte verilerinizi OpenTURNS kitaplığını kullanarak herhangi bir dağıtıma karşı test etmek için başka bir seçenek . Aşağıdaki örnekte, Tekdüzen dağılımdan 1.000.000 sayılık bir x örneği oluşturuyorum ve bunu Normal bir dağılıma karşı test ediyorum. Verilerinizi şu şekilde yeniden şekillendirirseniz, x yerinex= [[x1], [x2], .., [xn]]

import openturns as ot

x = ot.Uniform().getSample(1000000)
g = ot.VisualTest.DrawQQplot(x, ot.Normal())
g

Jupyter Defterimde şunu görüyorum:

Bir senaryo yazıyorsanız, daha düzgün yapabilirsiniz

from openturns.viewer import View`
import matplotlib.pyplot as plt
View(g)
plt.show()