用stats.exponweib.fit拟合python中的威布尔分布
我一直在尝试用stats.exponweib.fit来拟合威布尔分布--在Scipy中并没有一个只适用于威布尔的拟合，因此，人们需要利用指数威布尔的拟合，并将第一个形状参数设置为1。然而，当stats.exponweib.fit函数被馈送来自具有已知形状参数的威布尔分布的数据时，拟合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)
我本以为：
(1，5.0，0，1.0)
当我们绘制曲线时：
# 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，显示了具有形状因子k=5和lambda=1的已知威布尔分布的输入数据，以及具有不同形状因子的exponweib.fit的输出数据。
Input Weibull data and output from exponweib.fit
stackoverflow上的第一篇文章-所以，希望上面是框架问题的正确方式。欢迎对以上内容有任何想法，并在帖子中提出任何建议:)
回答 2
Stack Overflow用户
发布于 2020-10-28 09:06:16
在我的笔记本中，我尝试了OpenTURNS的WeibullMaxFactory来拟合x上的威布尔分布。
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)
获取威布尔参数的步骤：
print(distribution)
>>> WeibullMax(beta = 0.618739, alpha = 2.85518, gamma = 1.48269)Stack Overflow用户
发布于 2020-11-04 14:18:39
Scipy确实提供了你可以在维基百科上找到的“标准”威布尔分布。您应该为此使用的函数是scipy.stats.weibull_min
Scipy的威布尔实现可能有点令人困惑，它拟合3参数威布尔分布的能力有时会给出狂野的结果。您也无法使用Scipy拟合经过审查的数据。我建议您可以查看Python reliability library，与Scipy相比，它使得创建、拟合和使用概率分布的过程相当简单。
https://stackoverflow.com/questions/35579505
复制相似问题
腾讯云开发者
