Y a-t-il une fonction équivalente python similaire à MATLAB Syntaxe: P> NormPlot code> de MATLAB?
Peut-être dans Matplotlib? import numpy as np
import matplotlib.pyplot as plt
data =[-11.83,-8.53,-2.86,-6.49,-7.53,-9.74,-9.44,-3.58,-6.68,-13.26,-4.52]
plot_percentiles = range(0, 110, 10)
x = np.percentile(data, plot_percentiles)
plt.plot(x, plot_percentiles, 'ro-')
plt.xlabel('Value')
plt.ylabel('Probability')
plt.show()
4 Réponses :
Je suis assez certain que Matplotlib ne fournit rien de tel.
Il est possible de faire, bien sûr, mais vous devrez reférer vos données et modifier vos ticks / étiquettes d'axe Y pour correspondre, ou si vous envisagez de le faire souvent, CODE peut-être une nouvelle échelle qui Peut être appliqué aux axes MATPLOLIB, comme dans cet exemple: http://matplotlib.sourceforge.net /examples/api/custom_scale_example.html .
Peut-être que vous pouvez utiliser la fonction Calculer les quantiles pour une probabilité
Terrain de données d'échantillonnage contre un
Distribution théorique spécifiée.
ProbPlot calcule éventuellement un
Ligne optimale pour les données et les parcelles
les résultats en utilisant matplotlib ou a
Fonction de parcelle donnée.
http://docs.cipy.org/ DOC / SCIPY / Référence / généré / SCIPY.STATS.PROBPLOT.HTML
mais ne résout pas votre problème de l'échelle différente de l'axe de Y. probsif de SCIPY ( sciped.stats ), cela me semble être un équivalent pour MATLABS Normplot:
Une réponse tardive, mais je viens de trouver le même problème et j'ai trouvé une solution, cela vaut la peine d'être partagé. Je suppose.
Comme Joris a souligné que la fonction ProbPlot est équivalente à la normalisation, mais la distribution résultante est sous la forme de la fonction de densité cumulée. SciPy.Stats propose également une fonction pour convertir ces valeurs. p>
CDF -> centile p> centile -> CDF p> Par exemple: P> from scipy import stats
import matplotlib.pyplot as plt
nsample=500
#create list of random variables
x=stats.t.rvs(100, size=nsample)
# Calculate quantiles and least-square-fit curve
(quantiles, values), (slope, intercept, r) = stats.probplot(x, dist='norm')
#plot results
plt.plot(values, quantiles,'ob')
plt.plot(quantiles * slope + intercept, quantiles, 'r')
#define ticks
ticks_perc=[1, 5, 10, 20, 50, 80, 90, 95, 99]
#transfrom them from precentile to cumulative density
ticks_quan=[stats.norm.ppf(i/100.) for i in ticks_perc]
#assign new ticks
plt.yticks(ticks_quan,ticks_perc)
#show plot
plt.grid()
plt.show()