python中的对数正态分布

我在stackoverflow中看到了几个关于如何拟合

对数正态分布的问题。我仍然需要知道两个澄清

我有一个样本数据，它的对数服从正态分布。因此，我可以使用
scipy.stats.lognorm.fit
（即
对数正态分布
）来拟合数据

拟合效果很好，也给出了标准偏差。这是我的一段代码和结果

sample = np.log10(data) #taking the log10 of the data

scatter,loc,mean = stats.lognorm.fit(sample) #Gives the paramters of the fit 

x_fit = np.linspace(13.0,15.0,100)
pdf_fitted = stats.lognorm.pdf(x_fit,scatter,loc,mean) #Gives the PDF

print "scatter for data is %s" %scatter
print "mean of data is %s" %mean  


结果

scatter for data is 0.186415047243
mean for data is 1.15731050926

从图像中，您可以清楚地看到平均值约为14.2，但我得到的是1.15为什么会这样
很明显，对数（平均值）也不接近14.2

中提到，
log（平均值）
是实际平均值。

但是你可以从我上面的代码中看到，我得到的拟合是使用
sample=log（data）进行的，它似乎也很适合。但是当我试着

sample = data
pdf_fitted = stats.lognorm.pdf(x_fit,scatter,loc,np.log10(mean))

这种方法似乎不起作用

1）为什么平均数不是14.2？

2）如何绘制填充/绘制显示1西格玛置信域的垂直线？

我有一个样本数据，它的对数服从正态分布

假设
data
是包含样本的数组。将此数据与
使用
scipy.stats.lognorm
的对数正态分布，使用：

s, loc, scale = stats.lognorm.fit(data, floc=0)

现在假设mu和sigma是
基本正态分布。以获得这些值的估计值
根据此配合，使用：

estimated_mu = np.log(scale)
estimated_sigma = s

（这些不是平均值和标准偏差的估计值
数据中的示例。有关公式，请参阅
对于对数正态分布的均值和方差，以μ和σ表示。）

要组合直方图和PDF，您可以使用，例如

import matplotlib.pyplot as plt.

plt.hist(data, bins=50, normed=True, color='c', alpha=0.75)
xmin = data.min()
xmax = data.max()
x = np.linspace(xmin, xmax, 100)
pdf = stats.lognorm.pdf(x, s, scale=scale)
plt.plot(x, pdf, 'k')

如果要查看数据日志，可以执行以下操作
下面。注：使用正态分布的PDF
在这里


顺便说一下，使用
stats.lognorm
拟合的替代方法是拟合
log（data）
使用
stats.norm.fit
：

logdata = np.log(data)
estimated_mu, estimated_sigma = stats.norm.fit(logdata)


相关问题：




请发布复制问题的数据子集或伪数据，以便我们测试您的示例代码。这是一个包含数据的文本文件，显示的平均值为log（mean），10.**1.15731=14。36@CTZhu谢谢你的信息！但我尝试了另一个样本，平均值是14.1，但我得到了
1.07
，其中
10**1.07
是
11.24
，你可能会在stats.stackexchange.com上对这个问题有更多的吸引力。你会发现那里有更多的人能回答像这样的问题。现在这是一种厚颜无耻的方式！我从未想过使用
norm.fit
和
日志（数据）
，效果非常好！
logdata = np.log(data)
estimated_mu, estimated_sigma = stats.norm.fit(logdata)