Python SciPy stats.boxcox_normmax用法及代码示例

本文简要介绍 python 语言中 scipy.stats.boxcox_normmax 的用法。

用法:

scipy.stats.boxcox_normmax(x, brack=None, method='pearsonr', optimizer=None)#

计算输入数据的最佳Box-Cox 变换参数。

参数 ：：

x： array_like

输入数组。所有条目必须是正数、有限实数。

brack： 2 元组，可选，默认 (-2.0, 2.0)

默认 optimize.brent 解算器的下坡括号搜索的起始间隔。请注意，这在大多数情况下并不重要；最终结果允许在这个括号之外。如果优化器通过，brack 必须为 None。

method： str，可选

确定最优变换参数的方法( boxcox lmbda参数)。选项是：

‘pearsonr’(默认)

最大化 Pearson 相关系数y = boxcox(x)和预期值y如果x将是normally-distributed。

‘mle’

最大化对数似然 boxcox_llf 。这是 boxcox 中使用的方法。

‘all’

使用所有可用的优化方法，并返回所有结果。有助于比较不同的方法。

optimizer： 可调用的，可选的

优化器是一个接受一个参数的可调用对象：

乐趣 可调用的

要最小化的目标函数。 fun 接受一个参数，即 Box-Cox 变换参数 lmbda，并返回所提供参数处的函数值(例如负对数似然)。优化器的工作是找到使乐趣最小化的 lmbda 值。

并返回一个对象，例如scipy.optimize.OptimizeResult，它持有的最优值lmbda在一个属性中x.

有关详细信息，请参阅下面的示例或 scipy.optimize.minimize_scalar 的文档。

返回 ：：

maxlog： 浮点数或 ndarray

找到的最佳变换参数。 method='all' 的数组而不是标量。

例子：

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

我们可以通过各种方式生成一些数据并确定最佳lmbda：

>>> rng = np.random.default_rng()
>>> x = stats.loggamma.rvs(5, size=30, random_state=rng) + 5
>>> y, lmax_mle = stats.boxcox(x)
>>> lmax_pearsonr = stats.boxcox_normmax(x)

>>> lmax_mle
2.217563431465757
>>> lmax_pearsonr
2.238318660200961
>>> stats.boxcox_normmax(x, method='all')
array([2.23831866, 2.21756343])

>>> fig = plt.figure()
>>> ax = fig.add_subplot(111)
>>> prob = stats.boxcox_normplot(x, -10, 10, plot=ax)
>>> ax.axvline(lmax_mle, color='r')
>>> ax.axvline(lmax_pearsonr, color='g', ls='--')

>>> plt.show()

或者，我们可以定义自己的优化器函数。假设我们只对值感兴趣lmbda在区间 [6, 7] 上，我们要使用scipy.optimize.minimize_scalar和method='bounded'，并且我们希望在优化对数似然函数时使用更严格的容差。为此，我们定义一个接受位置参数的函数乐趣和用途scipy.optimize.minimize_scalar尽量减少乐趣受限于提供的界限和公差：

>>> from scipy import optimize
>>> options = {'xatol': 1e-12}  # absolute tolerance on `x`
>>> def optimizer(fun):
...     return optimize.minimize_scalar(fun, bounds=(6, 7),
...                                     method="bounded", options=options)
>>> stats.boxcox_normmax(x, optimizer=optimizer)
6.000...