viz API 參考¶

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)[原始碼]¶

機率、百分位數和分位數圖。

參數	data : 類陣列 要繪製的 1 維資料 ax : matplotlib 軸, 選用 要繪圖的軸。如果未提供，將建立新的軸。 plottype : 字串 (預設 = ‘prob’) 要建立的圖表類型。選項包括 ‘prob’：機率圖 ‘pp’：百分位數圖 ‘qq’：分位數圖 dist : scipy 分佈, 選用 用於計算刻度位置的分佈。如果未指定，將使用標準常態分佈。 probax : 字串, 選用 (預設 = ‘x’) 將作為機率（或分位數）軸的軸（‘x’ 或 ‘y’）。 problabel, datalabel : 字串, 選用 分別為機率/分位數和資料軸提供的軸標籤。 datascale : 字串, 選用 (預設 = ‘log’) 另一個不是的軸的刻度 bestfit : bool, 選用 (預設為 False) 指定是否應在圖表中加入最佳擬合線。 return_best_fit_results : bool (預設為 False) 如果為 True，則會與圖表一起傳回結果字典。 estimate_ci : bool, 選用 (False) 使用百分位數自舉法估計並繪製最佳擬合線周圍的信賴區間。 ci_kws : dict, 選用 在計算最佳擬合線時，直接傳遞至 viz.fit_line 的關鍵字引數字典。 pp_kws : dict, 選用 在計算繪圖位置時，直接傳遞至 viz.plot_pos 的關鍵字引數字典。 scatter_kws, line_kws : dict, 選用 在繪製散佈點和最佳擬合線時，直接傳遞至 ax.plot 的關鍵字引數字典。
傳回值	fig : matplotlib.Figure 繪製圖表的圖形。 result : 線性擬合結果字典，選用 鍵值包括 q : 分位數陣列 x, y : 傳遞至函數的資料陣列 xhat, yhat : 最佳擬合線中繪製的建模資料陣列 res : 最佳擬合線的係數陣列。
其他參數
	color : 字串, 選用 直接指定的 matplotlib 顏色引數，用於資料序列和最佳擬合線（如果已繪製）。此引數可供 seaborn 套件使用，不建議一般使用。相反地，應在 scatter_kws 和 line_kws 中指定顏色。 注意 使用者不應指定此參數。它僅供 seaborn 在 FacetGrid 中操作時使用。 label : 字串, 選用 資料序列的直接指定的圖例標籤。此引數可供 seaborn 套件使用，不建議一般使用。相反地，資料序列標籤應在 scatter_kws 中指定。 注意 使用者不應指定此參數。它僅供 seaborn 在 FacetGrid 中操作時使用。

另請參閱

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

範例

機率圖，機率位於 y 軸

>>> 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))

分位數圖，分位數位於 x 軸

>>> 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)[原始碼]¶

計算資料集的繪圖位置。大量借用 scipy.stats.mstats.plotting_positions。

繪圖位置定義為：(i-alpha)/(n+1-alpha-beta)，其中

• i 是排序
• n 是資料集的大小
• alpha 和 beta 是用於調整位置的參數。

可以明確設定 alpha 和 beta 的值。也可以透過 postype 參數存取典型值。可用的 postype 值 (alpha, beta) 包括

「類型 4」(alpha=0, beta=1)

經驗 CDF 的線性內插。

「類型 5」或「Hazen」(alpha=0.5, beta=0.5)

分段線性內插。

「類型 6」或「Weibull」(alpha=0, beta=0)

Weibull 繪圖位置。所有分佈的無偏差超越機率。建議用於水文應用。

「類型 7」(alpha=1, beta=1)

R 中的預設值。不建議與機率刻度一起使用，因為最小和最大資料點的繪圖位置分別為 0 和 1，因此無法顯示。

「類型 8」(alpha=1/3, beta=1/3)

近似中位數無偏差。

「類型 9」或「blom」(alpha=0.375, beta=0.375)

如果資料為常態分佈，則位置大致無偏差。

「中位數」(alpha=0.3175, beta=0.3175)

所有分佈的中位數超越機率（在 scipy.stats.probplot 中使用）。

「apl」或「pwm」(alpha=0.35, beta=0.35)

與機率加權動量一起使用。

「cunnane」(alpha=0.4, beta=0.4)

常態分佈資料的近乎無偏差分位數。這是預設值。

「gringorten」(alpha=0.44, beta=0.44)

用於 Gumble 分佈。

參數	data : 類陣列 需要計算其繪圖位置的值。 postype : 字串, 選用 (預設：「cunnane」) alpha, beta : float, 選用 如果透過 postype 參數可用的選項不足，則可以使用自訂繪圖位置參數。
傳回值	plot_pos : numpy.array 計算出的繪圖位置，已排序。 data_sorted : numpy.array 原始資料值，已排序。

參考文獻

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://scipy-docs.dev.org.tw/doc/scipy-0.17.0/reference/generated/scipy.stats.probplot.html https://scipy-docs.dev.org.tw/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)[原始碼]¶

將線擬合到各種形式（線性、對數、機率刻度）的 x-y 資料。

參數

x, y : 類陣列 分別為自變數和因變數資料。 xhat : 類陣列，選用 應估計 yhat 的值。如果未提供，則會退回到 x 的已排序值。 fitprobs, fitlogs : str, 選用。 定義應如何轉換資料。有效值為 ‘x’、‘y’ 或 ‘both’。如果使用 fitprobs，則變數應表示為百分比，例如，對於機率轉換，資料將使用 lambda x: dist.ppf(x / 100.) 轉換。對於對數轉換，lambda x: numpy.log(x)。請注意，不要將相同的值傳遞給 fitlogs 和 figprobs，因為將會同時套用這兩種轉換。 dist : 分佈, 選用 完全指定的 scipy.stats 類分佈物件，這樣可以呼叫 dist.ppf 和 dist.cdf。如果未提供，則預設為 scipt.stats.norm 的最小實作。 estimate_ci : bool, 選用 (False) 使用百分位數自舉法估計並繪製最佳擬合線周圍的信賴區間。 niter : int, 選用 (預設 = 10000) 如果提供 estimate_ci，則為自舉法迭代次數。 alpha : float, 選用 (預設 = 0.05) 自舉法估計的信賴水準。

傳回值

xhat, yhat : numpy 陣列 x 和 y 的線性模型估計。 results : dict 線性擬合結果的字典。鍵值包括 斜率 截距 yhat_lo (估計 y 值的較低信賴區間) yhat_hi (估計 y 值的較高信賴區間)