不确定使用什么分布来建模我的数据答案

【问题标题】：Not sure what distribution to use to model my data不确定使用什么分布来建模我的数据
【发布时间】：2019-11-19 12:51:35
【问题描述】：

我有一组天文数据，我正在尝试拟合一条曲线：

我的装修码是

param = stats.norm.fit(df['delta z'].dropna())   # Fit a normal distribution to the data
pdf_fitted = stats.norm.pdf(df['delta z'], *param)
x = np.linspace(*df['delta z'].agg([min, max]), 1000) # x-values
binwidth = np.diff(edges).mean()
ax.plot(x, stats.norm.pdf(x, *param)*h.sum()*binwidth, color = 'r')

产生

现在，我显然是以错误的方式执行此操作，因为曲线根本不适合数据。我看过的所有教程，例如here 都涉及制作一组数据，在这种情况下，我们已经知道诸如均值和偏斜之类的东西。 This question 引导我估计参数与

a_estimate, loc_estimate, scale_estimate = stats.skewnorm.fit(df['delta z'])
ax.plot(x, skewnorm.pdf(x, a_estimate, loc_estimate, scale_estimate), 'r-', lw=5, alpha=0.6, label='skewnorm pdf')

产生

那么如何使用这些参数绘制拟合？

【问题讨论】：

我在zunzun.com/StatisticalDistributions/1 有一个在线统计分布拟合器，它将尝试将您的数据拟合到 scipy 中超过 85 个统计分布，只需粘贴您的数据并点击提交按钮。它可能会建议一些候选分布。
为什么要对数据进行分布拟合？您将如何处理分发？你能用empirical CDF 或kernel density estimation 做你想做的事吗？
我只需要绘制分布图并在图上显示均值和标准差。
您可以从数据中获得平均值和标准差。我仍然不明白为什么你需要为它安装一个分布。您是否有一些生成数据的过程模型可以指导您选择分布？如果您真的只想在直方图上绘制一条平滑曲线，那么核密度估计应该可以很好地工作。例如，请参阅scipy.stats.gaussian_kde。
我用a_estimate, loc_estimate, scale_estimate = stats.skewnorm.fit(x)找参数，就是不知道怎么画曲线。

标签： numpy scipy curve-fitting

【解决方案1】：

在 cmets 中，您表示您不知道如何绘制曲线：这是一个拟合和绘制偏态的小示例。

import numpy as np
import scipy.stats as ss
import matplotlib.pyplot as plt

data = ss. expon.rvs(size=1000)

P = ss.expon.fit(data)
rX = np.linspace(min(data), max(data), 50)
rP = ss.skewnorm.pdf(rX, *P)

plt.hist(data,bins=25, normed=True, color='slategrey')

plt.plot(rX, rP, color='darkturquoise')
plt.show()

【讨论】：

有没有办法为rX 和rP 的plt.plot 生成平滑曲线，而不是直方图？另外，如何找到图例中显示的均值和方差？
编辑评论：得到曲线；如何找到图例中显示的均值和方差？如果我使用mean, var, skew, kurt = skewnorm.stats(a_est, moments='mvsk')，它给我的平均值与曲线不匹配。
我会先尝试 numpy.mean(data) 和 numpy.var(data)。
np.mean 给出-3e-15，但数据的平均值显然更接近1。
如果分布高度偏斜，那么曲线的峰值不会在平均值处，对吗？也许这就是问题所在。