用stats.exponweib.fit拟合python中的Weibull分布

我一直在尝试用stats.exponweib.fit拟合Weibull分布-Scipy中没有一个仅适用于Weibull的拟合，因此，需要利用指数Weibull的拟合，并将第一个形状参数设置为1。但是，当stats.exponweib.fit函数输入来自具有已知形状参数的Weibull分布的数据时，拟合将返回一组不同的形状参数。显示此行为的一些示例代码如下：

from numpy import random, exp, log
import matplotlib.pyplot as plt
from scipy import stats
import csv

# Expoential Weibull PDF 
def expweibPDF(x, k, lam, alpha):
    return (alpha * (k/lam) *
            ((x/lam)**(k-1))  *
            ((1 - exp(-(x/lam)**k))**(alpha-1)) *
            exp(-(x/lam)**k))

# Expoential Weibull CDF
def exp_cdf(x, k, lam, alpha):
    return (1 - exp(-(x / lam)**k))**alpha

# Expoential Weibull Inverse CDF
def exp_inv_cdf(p, k, lam, alpha):
    return lam * ( - log( (1 - p)**(1/alpha) ))**(1/k)

# parameters for the fit - alpha = 1.0 reduces to normal Webull
# the shape parameters k = 5.0 and lam = 1.0 are demonstrated on Wikipedia:
# https://en.wikipedia.org/wiki/Weibull_distribution

alpha = 1.0
k0 = 5.0
lam0 = 1.0
x = []
y = []

# create a Weibull distribution
random.seed(123)
n = 1000  
for i in range(1,n) :
    p = random.random()
    x0 = exp_inv_cdf(p,k0,lam0,alpha)
    x += [ x0 ]
    y += [ expweibPDF(x0,k0,lam0,alpha) ]


# now fit the Weibull using python library
# setting f0=1 should set alpha = 1.0
# so, shape parameters should be the k0 = 5.0 and lam = 1.0

(exp1, k1, loc1, lam1)  = stats.exponweib.fit(y,floc=0, f0=1)

print (exp1, k1, loc1, lam1)

这里的输出是：

（1,2.8146777019890856,0,1.4974049126907345）

我原以为：

（1,5.0,0,1.0）

绘制曲线时：

# plotting the two curves
fig, ax = plt.subplots(2, 1)
ax[0].plot(x,y, 'ro', lw=2)
ax[1].plot(x,stats.exponweib.pdf(x,exp1,k1,loc1,lam1), 'ro', lw=2)
plt.show()

我们得到以下曲线，显示形状因子k=5和lambda=1的已知威布尔分布的输入数据和不同形状因子的exponweib.fit的输出

---

关于stackoverflow的第一篇文章——希望上面的内容是提出问题的正确方式。欢迎您对以上内容提出任何意见，并在帖子中提供任何提示：）

在我的笔记本中，我尝试了的WeibullMaxFactory，以在您的x上拟合Weibull分布

import openturns as ot
from openturns.viewer import View
sample = ot.Sample(x, 1) # formats your x into a 'Sample' of dimension = 1
distribution = ot.WeibullMaxFactory().build(sample) # fits a Weibull to your data 
graph = distribution.drawPDF() # build the PDF
graph.setLegends(['Weibull'])
View(graph)

要获得威布尔参数，请执行以下操作：

print(distribution)
>>> WeibullMax(beta = 0.618739, alpha = 2.85518, gamma = 1.48269)

Scipy确实提供了“标准”威布尔分布，你可以在维基百科上找到。您应该为此使用的函数是

---

Scipy对Weibull分布的实现可能有点令人困惑，其拟合3参数Weibull分布的能力有时会给出不确定的结果。您也无法使用Scipy来适应经过审查的数据。我建议您可能希望查看，这使得创建、拟合和使用概率分布的过程与Scipy相比相当简单。

检查此（重复？）问题的答案：。在您的例子中，您的

x

变量包含来自原始分布的随机值样本，因此这是您应该传递给

stats.exponweib.fit

的内容，感谢Pablo的快速响应。完全正确-我是在拟合PDF而不是样本。是的，在前面的问题中也提到了类似的问题：可能重复的