viz API 参考¶

probscale.viz.probplot(data, ax=None, plottype='prob', dist=None, probax='x', problabel=None, datascale='linear', datalabel=None, bestfit=False, return_best_fit_results=False, estimate_ci=False, ci_kws=None, pp_kws=None, scatter_kws=None, line_kws=None, **fgkwargs)[源代码]¶

概率图、百分位数图和分位数图。

参数	data : 类似数组 要绘制的 1 维数据 ax : matplotlib 轴，可选 要绘制的轴。如果未提供，将创建一个新的轴。 plottype : 字符串（默认值 = ‘prob’） 要创建的图的类型。选项为 ‘prob’：概率图 ‘pp’：百分位数图 ‘qq’：分位数图 dist : scipy 分布，可选 用于计算刻度位置的分布。如果未指定，将使用标准正态分布。 probax : 字符串，可选（默认值 = ‘x’） 将用作概率（或分位数）轴的轴（‘x’ 或 ‘y’）。 problabel, datalabel : 字符串，可选 分别为概率/分位数轴和数据轴的轴标签。 datascale : 字符串，可选（默认值 = ‘log’） 非概率轴的刻度 bestfit : 布尔值，可选（默认值为 False） 指定是否应向图中添加最佳拟合线。 return_best_fit_results : 布尔值（默认值为 False） 如果为 True，则会返回结果字典以及图形。 estimate_ci : 布尔值，可选（False） 使用百分位数自举估计并绘制最佳拟合线周围的置信带。 ci_kws : 字典，可选 当计算最佳拟合线时，直接传递给 viz.fit_line 的关键字参数字典。 pp_kws : 字典，可选 当计算绘图位置时，直接传递给 viz.plot_pos 的关键字参数字典。 scatter_kws, line_kws : 字典，可选 分别绘制散点图和最佳拟合线时，直接传递给 ax.plot 的关键字参数字典。
返回值	fig : matplotlib.Figure 绘制图形的图形。 result : 线性拟合结果的字典，可选 键为 q : 分位数数组 x, y : 传递给函数的数组数据 xhat, yhat : 最佳拟合线中绘制的建模数据数组 res : 最佳拟合线的系数数组。
其他参数
	color : 字符串，可选 直接指定的 matplotlib 颜色参数，用于数据系列和最佳拟合线（如果绘制）。此参数可用于与 seaborn 包兼容，不建议一般使用。相反，颜色应在 scatter_kws 和 line_kws 中指定。 注意 用户不应指定此参数。它仅供 seaborn 在 FacetGrid 中操作时使用。 label : 字符串，可选 数据系列的直接指定的图例标签。此参数可用于与 seaborn 包兼容，不建议一般使用。相反，数据系列标签应在 scatter_kws 中指定。 注意 用户不应指定此参数。它仅供 seaborn 在 FacetGrid 中操作时使用。

另请参阅

viz.plot_pos, viz.fit_line, numpy.polyfit, scipy.stats.probplot, scipy.stats.mstats.plotting_positions

示例

y 轴上带有概率的概率图

>>> import numpy; numpy.random.seed(0)
>>> from matplotlib import pyplot
>>> from scipy import stats
>>> from probscale.viz import probplot
>>> data = numpy.random.normal(loc=5, scale=1.25, size=37)
>>> fig = probplot(data, plottype='prob', probax='y',
...          problabel='Non-exceedance probability',
...          datalabel='Observed values', bestfit=True,
...          line_kws=dict(linestyle='--', linewidth=2),
...          scatter_kws=dict(marker='o', alpha=0.5))

x 轴上带有分位数的分位数图

>>> fig = probplot(data, plottype='qq', probax='x',
...          problabel='Theoretical Quantiles',
...          datalabel='Observed values', bestfit=True,
...          line_kws=dict(linestyle='-', linewidth=2),
...          scatter_kws=dict(marker='s', alpha=0.5))

probscale.viz.plot_pos(data, postype=None, alpha=None, beta=None)[源代码]¶

计算数据集的绘图位置。大量借用自 scipy.stats.mstats.plotting_positions。

绘图位置定义为：(i-alpha)/(n+1-alpha-beta)，其中

• i 是等级顺序
• n 是数据集的大小
• alpha 和 beta 是用于调整位置的参数。

可以显式设置 alpha 和 beta 的值。也可以通过 postype 参数访问典型值。可用的 postype 值（alpha，beta）为

“type 4”（alpha=0，beta=1）

经验 CDF 的线性插值。

“type 5”或“hazen”（alpha=0.5，beta=0.5）

分段线性插值。

“type 6”或“weibull”（alpha=0，beta=0）

威布尔绘图位置。所有分布的无偏超额概率。建议用于水文应用。

“type 7”（alpha=1，beta=1）

R 中的默认值。不建议与概率刻度一起使用，因为最小和最大数据点分别获得 0 和 1 的绘图位置，因此无法显示。

“type 8”（alpha=1/3，beta=1/3）

近似中位数无偏。

“type 9”或“blom”（alpha=0.375，beta=0.375）

如果数据呈正态分布，则位置近似无偏。

“median”（alpha=0.3175，beta=0.3175）

所有分布的中位数超额概率（在 scipy.stats.probplot 中使用）。

“apl”或“pwm”（alpha=0.35，beta=0.35）

用于概率加权矩。

“cunnane”（alpha=0.4，beta=0.4）

对于正态分布的数据，分位数几乎是无偏的。这是默认值。

“gringorten”（alpha=0.44，beta=0.44）

用于 Gumble 分布。

参数	data : 类似数组 需要计算绘图位置的值。 postype : 字符串，可选（默认值：“cunnane”） alpha, beta : 浮点数，可选 如果通过 postype 参数提供的选项不足，则自定义绘图位置参数。
返回值	plot_pos : numpy.array 计算出的绘图位置，已排序。 data_sorted : numpy.array 原始数据值，已排序。

参考文献

http://artax.karlin.mff.cuni.cz/r-help/library/lmomco/html/pp.html http://astrostatistics.psu.edu/su07/R/html/stats/html/quantile.html https://docs.scipy.org.cn/doc/scipy-0.17.0/reference/generated/scipy.stats.probplot.html https://docs.scipy.org.cn/doc/scipy-0.17.0/reference/generated/scipy.stats.mstats.plotting_positions.html

probscale.viz.fit_line(x, y, xhat=None, fitprobs=None, fitlogs=None, dist=None, estimate_ci=False, niter=10000, alpha=0.05)[源代码]¶

以各种形式（线性、对数、概率刻度）将线拟合到 x-y 数据。

参数

x, y : 类似数组 分别为自变量和因变量数据。 xhat : 类似数组，可选 应该估计 yhat 的值。如果未提供，则回退到 x 的排序值。 fitprobs, fitlogs : 字符串，可选。 定义数据的转换方式。有效值为 “x”、“y” 或 “both”。如果使用 fitprobs，则变量应表示为百分比，即对于概率变换，数据将使用 lambda x: dist.ppf(x / 100.) 进行变换。对于对数变换，则使用 lambda x: numpy.log(x)。请注意不要将相同的值传递给 fitlogs 和 figprobs，因为这两个变换都将被应用。 dist : 分布，可选 一个完全符合规范的类似于 scipy.stats 分布的对象，可以调用 dist.ppf 和 dist.cdf。如果未提供，则默认为 scipt.stats.norm 的最小实现。 estimate_ci : 布尔值，可选（False） 使用百分位数自举估计并绘制最佳拟合线周围的置信带。 niter : int，可选 (默认值 = 10000) 如果提供了 estimate_ci，则为 bootstrap 迭代的次数。 alpha : float，可选 (默认值 = 0.05) bootstrap 估计的置信水平。

返回值

xhat, yhat : numpy 数组 x 和 y 的线性模型估计值。 results : dict 线性拟合结果的字典。键包括 斜率 截距 yhat_lo (估计 y 值的置信区间的下限) yhat_hi (估计 y 值的置信区间的上限)