viz API Referenz¶

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)[Quelle]¶

Wahrscheinlichkeits-, Perzentil- und Quantilplots.

Parameter	data : array-ähnlich 1-dimensionale Daten, die geplottet werden sollen ax : matplotlib axes, optional Die Achsen, auf denen geplottet werden soll. Wenn keine angegeben ist, wird eine neue Achse erstellt. plottype : string (Standard = 'prob') Art des zu erstellenden Plots. Optionen sind 'prob': Wahrscheinlichkeitsplot 'pp': Perzentilplot 'qq': Quantilplot dist : scipy Verteilung, optional Eine Verteilung zur Berechnung der Skalen-Tickpositionen. Wenn nicht angegeben, wird eine Standard-Normalverteilung verwendet. probax : string, optional (Standard = 'x') Die Achse ('x' oder 'y'), die als Wahrscheinlichkeits- (oder Quantil-) Achse dient. problabel, datalabel : string, optional Achsenbeschriftungen für die Wahrscheinlichkeits-/Quantil- und Datenachsen. datascale : string, optional (Standard = 'log') Skala für die andere Achse, die nicht bestfit : bool, optional (Standard ist False) Gibt an, ob eine "Best-Fit"-Linie zum Plot hinzugefügt werden soll. return_best_fit_results : bool (Standard ist False) Wenn True, wird ein Dictionary mit den Ergebnissen zusammen mit der Abbildung zurückgegeben. estimate_ci : bool, optional (False) Schätzt und zeichnet ein Konfidenzband um die "Best-Fit"-Linie mittels eines Perzentil-Bootstraps. ci_kws : dict, optional Dictionary von Schlüsselwortargumenten, die direkt an viz.fit_line übergeben werden, wenn die "Best-Fit"-Linie berechnet wird. pp_kws : dict, optional Dictionary von Schlüsselwortargumenten, die direkt an viz.plot_pos übergeben werden, wenn die Plotting-Positionen berechnet werden. scatter_kws, line_kws : dict, optional Dictionary von Schlüsselwortargumenten, die direkt an ax.plot übergeben werden, wenn die Scatter-Punkte und die "Best-Fit"-Linie gezeichnet werden.
Rückgabe	fig : matplotlib.Figure Die Abbildung, auf der der Plot gezeichnet wurde. result : dict von linearen Fit-Ergebnissen, optional Schlüssel sind q : Array von Quantilen x, y : Arrays der an die Funktion übergebenen Daten xhat, yhat : Arrays von modellierten Daten, die in der "Best-Fit"-Linie geplottet wurden res : Array von Koeffizienten der "Best-Fit"-Linie.
Andere Parameter
	color : string, optional Ein direkt angegebener matplotlib-Farbargument für sowohl die Datenserie als auch die "Best-Fit"-Linie, wenn gezeichnet. Dieses Argument ist zur Kompatibilität mit dem seaborn-Paket verfügbar und wird für den allgemeinen Gebrauch nicht empfohlen. Stattdessen sollten Farben innerhalb von scatter_kws und line_kws angegeben werden. Hinweis Benutzer sollten diesen Parameter nicht angeben. Er ist nur für die Verwendung durch seaborn bestimmt, wenn es innerhalb eines FacetGrid arbeitet. label : string, optional Ein direkt angegebener Legenden-Label für die Datenserie. Dieses Argument ist zur Kompatibilität mit dem seaborn-Paket verfügbar und wird für den allgemeinen Gebrauch nicht empfohlen. Stattdessen sollte das Label der Datenserie innerhalb von scatter_kws angegeben werden. Hinweis Benutzer sollten diesen Parameter nicht angeben. Er ist nur für die Verwendung durch seaborn bestimmt, wenn es innerhalb eines FacetGrid arbeitet.

Siehe auch

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

Beispiele

Wahrscheinlichkeitsplot mit den Wahrscheinlichkeiten auf der y-Achse

>>> 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))

Quantilplot mit den Quantilen auf der x-Achse

>>> 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)[Quelle]¶

Berechnet die Plotting-Positionen für einen Datensatz. Leiht stark von scipy.stats.mstats.plotting_positions.

Eine Plotting-Position ist definiert als: (i-alpha)/(n+1-alpha-beta) wobei

• i die Rangordnung ist
• n die Größe des Datensatzes ist
• alpha und beta Parameter sind, die zur Anpassung der Positionen verwendet werden.

Die Werte von alpha und beta können explizit gesetzt werden. Typische Werte können auch über den postype Parameter abgerufen werden. Verfügbare postype Werte (alpha, beta) sind

"type 4" (alpha=0, beta=1)

Lineare Interpolation der empirischen CDF.

"type 5" oder "hazen" (alpha=0.5, beta=0.5)

Stückweise lineare Interpolation.

"type 6" oder "weibull" (alpha=0, beta=0)

Weibull-Plotting-Positionen. Unverzerrte Überschreitungswahrscheinlichkeit für alle Verteilungen. Empfohlen für hydrologische Anwendungen.

"type 7" (alpha=1, beta=1)

Die Standardwerte in R. Nicht empfohlen bei Wahrscheinlichkeitsskalen, da die minimalen und maximalen Datenpunkte Plotting-Positionen von 0 bzw. 1 erhalten und daher nicht angezeigt werden können.

"type 8" (alpha=1/3, beta=1/3)

Ungefähr median-unverzerrt.

"type 9" oder "blom" (alpha=0.375, beta=0.375)

Ungefähr unverzerrte Positionen, wenn die Daten normalverteilt sind.

"median" (alpha=0.3175, beta=0.3175)

Median-Überschreitungswahrscheinlichkeiten für alle Verteilungen (verwendet in scipy.stats.probplot).

"apl" oder "pwm" (alpha=0.35, beta=0.35)

Verwendet mit Wahrscheinlichkeits-gewichteten Momenten.

"cunnane" (alpha=0.4, beta=0.4)

Nahezu unverzerrte Quantile für normalverteilte Daten. Dies ist der Standardwert.

"gringorten" (alpha=0.44, beta=0.44)

Verwendet für Gumbel-Verteilungen.

Parameter	data : array-ähnlich Die Werte, deren Plotting-Positionen berechnet werden müssen. postype : string, optional (Standard: "cunnane") alpha, beta : float, optional Benutzerdefinierte Parameter für die Plotting-Position, falls die über den postype Parameter verfügbaren Optionen nicht ausreichen.
Rückgabe	plot_pos : numpy.array Die berechneten Plotting-Positionen, sortiert. data_sorted : numpy.array Die ursprünglichen Datenwerte, sortiert.

Referenzen

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.de/doc/scipy-0.17.0/reference/generated/scipy.stats.probplot.html https://docs.scipy.de/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)[Quelle]¶

Passt eine Linie an x-y-Daten in verschiedenen Formen an (linear, log, prob-Skalen).

Parameter

x, y : array-ähnlich Unabhängige und abhängige Daten, bzw. xhat : array-ähnlich, optional Die Werte, bei denen yhat geschätzt werden soll. Wenn nicht angegeben, wird auf die sortierten Werte von x zurückgegriffen. fitprobs, fitlogs : str, optional. Definiert, wie die Daten transformiert werden sollen. Gültige Werte sind 'x', 'y' oder 'both'. Bei Verwendung von fitprobs sollten Variablen als Prozentsatz ausgedrückt werden, d. h. für eine Wahrscheinlichkeitstransformation werden die Daten mit lambda x: dist.ppf(x / 100.) transformiert. Für eine Log-Transformation mit lambda x: numpy.log(x). Achten Sie darauf, nicht denselben Wert für fitlogs und figprobs anzugeben, da beide Transformationen angewendet werden. dist : Verteilung, optional Ein vollständig spezifiziertes scipy.stats-ähnliches Objekt, so dass dist.ppf und dist.cdf aufgerufen werden können. Wenn nicht angegeben, wird standardmäßig eine minimale Implementierung von scipt.stats.norm verwendet. estimate_ci : bool, optional (False) Schätzt und zeichnet ein Konfidenzband um die "Best-Fit"-Linie mittels eines Perzentil-Bootstraps. niter : int, optional (Standard = 10000) Anzahl der Bootstrap-Iterationen, wenn estimate_ci angegeben ist. alpha : float, optional (Standard = 0.05) Das Konfidenzniveau der Bootstrap-Schätzung.

Rückgabe

xhat, yhat : numpy arrays Lineare Modellschätzungen von x und y. results : dict Dictionary von linearen Fit-Ergebnissen. Schlüssel enthalten slope intersept yhat_lo (untere Konfidenzgrenze der geschätzten y-Werte) yhat_hi (obere Konfidenzgrenze der geschätzten y-Werte)