Python 拟合和绘制对数正态分布

我在做一些相对简单的事情时遇到困难，比如：

从具有一定均值和方差的高斯分布中抽取N个样本

将日志记录到这些N个样本中

拟合对数正态分布（使用stats.lognorm.Fit）

在没有inf值的情况下（使用stats.lognorm.pdf）写出一个漂亮平滑的对数正态pdf

下面是我得到的输出的一个小的工作示例：

from scipy import stats
import numpy as np
import matplotlib.pyplot as plt
import math

%matplotlib inline


def lognormDrive(mu,variance):
    size = 1000
    sigma = math.sqrt(variance)
    np.random.seed(1)
    gaussianData = stats.norm.rvs(loc=mu, scale=sigma, size=size)
    logData = np.exp(gaussianData)
    shape, loc, scale = stats.lognorm.fit(logData, floc=mu)
    return stats.lognorm.pdf(logData, shape, loc, scale)

plt.plot(lognormDrive(37,0.8))

正如你可能注意到的，这个情节毫无意义

有什么想法吗

我关注了以下帖子：

提前谢谢

精化：我正在构建一个小脚本

获取原始数据并拟合核分布（经验分布）

根据数据的均值和方差假设不同的分布。这将是高斯分布和对数正态分布

使用interact将这些分布与温度分布一起绘制

当转动均值和方差旋钮时，计算不同分布之间的Kullbeck-Leibler散度（最终为歪斜）

---

在对

lognorm.fit（）

的调用中，使用

floc=0

，而不是

floc=mu

（lognorm分布的位置参数只是转换分布。你几乎不想用对数正态分布来做这件事。）

看

顺便说一句，您正在打印未排序样本值的PDF，因此更正脚本中的打印看起来不会有太大不同。您可能会发现根据排序的值绘制PDF更有用。以下是对脚本的修改，该脚本使用已排序的示例创建PDF绘图：

from scipy import stats
import numpy as np
import matplotlib.pyplot as plt
import math


def lognormDrive(mu,variance):
    size = 1000
    sigma = math.sqrt(variance)
    np.random.seed(1)
    gaussianData = stats.norm.rvs(loc=mu, scale=sigma, size=size)
    logData = np.exp(gaussianData)
    shape, loc, scale = stats.lognorm.fit(logData, floc=0)
    print "Estimated mu:", np.log(scale)
    print "Estimated var: ", shape**2
    logData.sort()
    return logData, stats.lognorm.pdf(logData, shape, loc, scale)

x, y = lognormDrive(37, 0.8)
plt.plot(x, y)
plt.grid()
plt.show()

脚本打印：

Estimated mu: 37.0347152587
Estimated var:  0.769897988163

并创建以下绘图：