Python 西皮：什么'；使用loc=0和floc=0的拟合之间的差异是多少？

当我拟合威布尔分布时，在其他问题中也发现

使用

floc=0

进行拟合与

loc=0

weibull_params = 1, 2.0755160030790547, 0, 16.273031221223277
data = sp.stats.exponweib.rvs(*weibull_params, size=50000)
data = data.astype(int)
x = linspace(0, 55)

weibull_params1 = sp.stats.weibull_min.fit(data)
weibull_params2 = sp.stats.weibull_min.fit(data, loc=0)
weibull_params3 = sp.stats.weibull_min.fit(data, floc=0)

for weibull_params, line_style in zip([weibull_params1, weibull_params2, weibull_params3],['-','--','-.']):
    plt.figure()
    plt.hist(data, bins=arange(0,55),alpha=0.5, normed=True)
    y_weibull = sp.stats.weibull_min.pdf(x, *weibull_params)
    plot(x, y_weibull, line_style, color='black') 
    print(weibull_params)

将产生如下的威布尔函数：

威布尔参数：

(0.50240047370945606, -4.501644985259555e-28, 2.9918077253782287)
(2.0610053128948245, -0.45099484072568979, 16.299110670854041) #loc=0
(1.0, 0, 1.05) #floc=0

---

有什么区别？什么时候应该使用哪一个？

简短的回答是：

floc

（和

fscale

）用于指定位置参数（和比例参数分别）保持固定在指定值

loc

和

scale

仅给出配合的起始值

sp.stats.weibull\u min

继承了

scipy.stat.rv\u continuous

的

fit

方法。指定了

floc

和

fscale

保持所述参数固定的事实

loc

、

scale

和派生分布识别的其他关键字参数仅用作起始值

---

因此，如果您想要拟合保持位置固定，您应该使用

floc=0

如果您只想提供一个起始参数，您应该使用

loc=0

，所以Weibull_min的拟合方法似乎不是很好？因为没有

loc=0的结果比将其设置为初始值差得多？