如何在Python中绘制matplotlib中的经验cdf？
如何在Python中绘制matplotlib中的数字数组的经验CDF？ 我正在寻找pylab的“hist”函数的cdf模拟。
我能想到的一件事是：
from scipy.stats import cumfreq a = array([...]) # my array of numbers num_bins = 20 b = cumfreq(a, num_bins) plt.plot(b) 那是正确的吗？ 有更简单/更好的方法吗？
谢谢。
这看起来（几乎）正是你想要的。 两件事情：
首先，结果是一个四元组的元组。 第三个是箱子的大小。 第二个是最小的bin的起点。 首先是每个垃圾桶中或下面的点数。 （最后一个是限制点以外的点数，但是因为你没有设置任何点数，所有的点数都将被分组。
其次，您需要重新调整结果，使最终值为1，遵循CDF的惯例，否则就是正确的。
以下是它的function：
def cumfreq(a, numbins=10, defaultreallimits=None): # docstring omitted h,l,b,e = histogram(a,numbins,defaultreallimits) cumhist = np.cumsum(h*1, axis=0) return cumhist,l,b,e
它做直方图，然后产生每个箱的计数的累计和。 因此，结果的第i个值是小于或等于第i个仓的最大值的数组值的数目。 所以，最终的值只是初始数组的大小。
最后，要绘制它，您将需要使用bin的初始值以及bin的大小来确定您将需要的x轴值。
另一个select是使用numpy.histogram可以做归一化并返回bin边缘。 你需要自己做累计的总数。
a = array([...]) # your array of numbers num_bins = 20 counts, bin_edges = numpy.histogram(a, bins=num_bins, normed=True) cdf = numpy.cumsum(counts) pylab.plot(bin_edges[1:], cdf)
（ bin_edges[1:]是每个bin的上边缘。）
您可以使用scikits.statsmodels库中的ECDF函数：
import numpy as np import scikits.statsmodels as sm import matplotlib.pyplot as plt sample = np.random.uniform(0, 1, 50) ecdf = sm.tools.ECDF(sample) x = np.linspace(min(sample), max(sample)) y = ecdf(x) plt.step(x, y)
随着版本0.4 scicits.statsmodels被重命名为statsmodels 。 ECDF现在位于distributions模块中（而statsmodels.tools.tools.ECDF已折旧）。
import numpy as np import statsmodels.api as sm # recommended import according to the docs import matplotlib.pyplot as plt sample = np.random.uniform(0, 1, 50) ecdf = sm.distributions.ECDF(sample) x = np.linspace(min(sample), max(sample)) y = ecdf(x) plt.step(x, y) plt.show()
如果你喜欢linspace并且喜欢单线，你可以这样做：
plt.plot(np.sort(a), np.linspace(0, 1, len(a), endpoint=False))
鉴于我的口味，我几乎总是这样做：
# a is the data array sorted_ = np.sort(a) yvals = np.arange(len(sorted_))/float(len(sorted_)) plt.plot(sorted_, yvals)
即使有>O(1e6)数据值，这也适用于我。 如果你真的需要减less样本，我会设置
sorted_ = np.sort(a)[::down_sampling_step]
编辑回应评论/编辑为什么我使用endpoint=False或上面定义的yvals 。 以下是一些技术细节。
经验CDF通常被正式定义为
CDF(x) = "number of samples <= x"/"number of samples"
为了完全匹配这个forms化的定义，你需要使用yvals = np.arange(1,len(sorted_)+1)/float(len(sorted_))这样我们得到yvals = [1/N, 2/N ... 1] 。 这个估计是一个无偏估计，将收敛到真正的CDF在极限无限样本维基百科参考。 。
我倾向于使用yvals = [0, 1/N, 2/N ... (N-1)/N]因为（a）更容易编码/更自命，（b）但是从一个在收敛certificate中总是可以用1-CDF(x)交换CDF(x) ，并且（c）与上述的（简单）下采样方法一起工作。
在某些特定情况下，定义是有用的
yvals = (arange(len(sorted_))+0.5)/len(sorted_)
这是这两个公约之间的中间环节。 其中，实际上，“有一个价值低于我在我的样本中看到的最低价值的1/(2N)机会，以及比最大的价值更大的1/(2N)目前为止已经看到。
然而，对于大样本和合理的分布，答案的主体中给出的约定很容易写出，是真正的CDF的无偏估计，并与下采样方法一起工作。
您是否尝试过pyplot.hist的cumulative = True参数？
基于戴夫答案的单行：
plt.plot(np.sort(arr), np.linspace(0, 1, len(arr), endpoint=False))
编辑：这也是由hans_meine在评论中提出的。
你想用CDF做什么？ 为了绘制它，这是一个开始。 你可以尝试一些不同的值，例如：
from __future__ import division import numpy as np from scipy.stats import cumfreq import pylab as plt hi = 100. a = np.arange(hi) ** 2 for nbins in ( 2, 20, 100 ): cf = cumfreq(a, nbins) # bin values, lowerlimit, binsize, extrapoints w = hi / nbins x = np.linspace( w/2, hi - w/2, nbins ) # care # print x, cf plt.plot( x, cf[0], label=str(nbins) ) plt.legend() plt.show()
直方图列出了bin数目的各种规则，例如num_bins ~ sqrt( len(a) ) 。
（精美图片：这里有两件截然不同的事情，
- 对原始数据进行分箱/直方图
- 曲线图通过所说的20个装仓值插入一条平滑的曲线。
其中任何一种都可能导致数据“丛生”或长尾，甚至对于1d数据 – 2d，3d数据变得越来越困难。
另请参阅Density_estimation和使用scipy高斯核密度估计 ）。
我对AFoglia的方法有一个微不足道的补充，使CDF正常化
n_counts,bin_edges = np.histogram(myarray,bins=11,normed=True) cdf = np.cumsum(n_counts) # cdf not normalized, despite above scale = 1.0/cdf[-1] ncdf = scale * cdf
规范化的组织使其整体统一，这意味着cdf不会被归一化。 你必须自己扩展。
如果你想显示实际的真实ECDF（正如David B所说的是一个在每个数据点上增加1 / n的步进函数），我的build议是编写代码为每个数据点生成两个“绘图点”：
a = array([...]) # your array of numbers sorted=np.sort(a) x2 = [] y2 = [] y = 0 for x in sorted: x2.extend([x,x]) y2.append(y) y += 1.0 / len(a) y2.append(y) plt.plot(x2,y2)
这样，你将得到一个具有ECDF特征的n个步骤的情节，这对于足够小的步骤是可见的数据集尤其好。 此外，没有必要使用直方图进行任何分箱（这可能会对绘制的ECDF产生偏差）。
我们可以使用matplotlib的step函数，这个step函数是一个经验型CDF的定义：
import numpy as np from matplotlib import pyplot as plt data = np.random.randn(11) levels = np.linspace(0, 1, len(data) + 1) # endpoint 1 is included by default plt.step(sorted(list(data) + [max(data)]), levels)
max(data)垂直线是手动添加的。 否则，剧情只停留在1 - 1/len(data) 。
或者我们可以使用where='post'选项来step()
levels = np.linspace(1. / len(data), 1, len(data)) plt.step(sorted(data), levels, where='post')
在这种情况下，从零开始的垂直线不会被绘制出来。
（这是我对这个问题的答案的副本： 用python绘制pandas系列的CDF ）
CDF或累积分布函数图基本上是X轴上的sorting值和Y轴上累积分布的图。 所以，我会创build一个新的系列，其sorting值为索引，累积分布为值。
先创build一个例子系列：
import pandas as pd import numpy as np ser = pd.Series(np.random.normal(size=100))
对系列进行sorting：
ser = ser.order()
现在，在继续之前，再次追加最后（最大）的值。 为了得到一个无偏差的CDF，这一步对于小样本量尤为重要：
ser[len(ser)] = ser.iloc[-1]
创build一个新的系列，其sorting值为索引，累积分布为值
cum_dist = np.linspace(0.,1.,len(ser)) ser_cdf = pd.Series(cum_dist, index=ser)
最后，将该function绘制为步骤：
ser_cdf.plot(drawstyle='steps')
这是使用散景
“`
from bokeh.plotting import figure, show from statsmodels.distributions.empirical_distribution import ECDF ecdf = ECDF(pd_series) p = figure(title="tests", tools="save", background_fill_color="#E8DDCB") p.line(ecdf.x,ecdf.y) show(p)
“`
假设vals可以保存您的值，那么您可以简单地将CDF绘制如下：
y = numpy.arange(0, 101) x = numpy.percentile(vals, y) plot(x, y)
要在0和1之间缩放，只需将y除以100。
这是seaborn中使用cumulative = True参数的一行代码。 干得好，
import seaborn as sns sns.kdeplot(a, cumulative=True)
