Python SciPy stats.boxcox_normmax用法及代碼示例

本文簡要介紹 python 語言中 scipy.stats.boxcox_normmax 的用法。

用法:

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

計算輸入數據的最佳Box-Cox 變換參數。

參數 ：：

x： array_like

輸入數組。所有條目必須是正數、有限實數。

brack： 2 元組，可選，默認 (-2.0, 2.0)

默認 optimize.brent 解算器的下坡括號搜索的起始間隔。請注意，這在大多數情況下並不重要；最終結果允許在這個括號之外。如果優化器通過，brack 必須為 None。

method： str，可選

確定最優變換參數的方法( boxcox lmbda參數)。選項是：

‘pearsonr’(默認)

最大化 Pearson 相關係數y = boxcox(x)和預期值y如果x將是normally-distributed。

‘mle’

最大化對數似然 boxcox_llf 。這是 boxcox 中使用的方法。

‘all’

使用所有可用的優化方法，並返回所有結果。有助於比較不同的方法。

optimizer： 可調用的，可選的

優化器是一個接受一個參數的可調用對象：

樂趣 可調用的

要最小化的目標函數。 fun 接受一個參數，即 Box-Cox 變換參數 lmbda，並返回所提供參數處的函數值(例如負對數似然)。優化器的工作是找到使樂趣最小化的 lmbda 值。

並返回一個對象，例如scipy.optimize.OptimizeResult，它持有的最優值lmbda在一個屬性中x.

有關詳細信息，請參閱下麵的示例或 scipy.optimize.minimize_scalar 的文檔。

返回 ：：

maxlog： 浮點數或 ndarray

找到的最佳變換參數。 method='all' 的數組而不是標量。

例子：

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

我們可以通過各種方式生成一些數據並確定最佳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，我們可以定義自己的優化器函數。假設我們隻對值感興趣lmbda在區間 [6, 7] 上，我們要使用scipy.optimize.minimize_scalar和method='bounded'，並且我們希望在優化對數似然函數時使用更嚴格的容差。為此，我們定義一個接受位置參數的函數樂趣和用途scipy.optimize.minimize_scalar盡量減少樂趣受限於提供的界限和公差：

>>> 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...