正如您所发现的,问题在于您想要保持固定的参数,xa
and xb
,不是本机参数truncnorm
. truncnorm
具有形状参数a
and b
,通过设置 x 间隔来确定形状standard正态分布。然后这个形状被移动和缩放loc
and scale
参数。关系是
xa = a*scale + loc
xb = b*scale + loc
To fix xa
and xb
,您可以使用接受等式约束的 SciPy 最小化器之一。这里我将使用scipy.optimize.fmin_slsqp。 (您可以使用“综合”功能scipy.optmize.minimize,其中包括 SLSQP 求解器作为其选项之一。)
这是一个演示如何使用的脚本fmin_slsqp
对于这个问题。功能func
是要最小化的目标函数。它只是一个包装truncnorm.nnlf
,负对数似然函数。功能constraint
返回包含两个值的数组。当满足约束时这些值为 0。
import numpy as np
from scipy.stats import truncnorm
from scipy.optimize import fmin_slsqp
import matplotlib.pyplot as plt
def func(p, r, xa, xb):
return truncnorm.nnlf(p, r)
def constraint(p, r, xa, xb):
a, b, loc, scale = p
return np.array([a*scale + loc - xa, b*scale + loc - xb])
xa, xb = 30, 250
loc = 50
scale = 75
a = (xa - loc)/scale
b = (xb - loc)/scale
# Generate some data to work with.
r = truncnorm.rvs(a, b, loc=loc, scale=scale, size=10000)
loc_guess = 30
scale_guess = 90
a_guess = (xa - loc_guess)/scale_guess
b_guess = (xb - loc_guess)/scale_guess
p0 = [a_guess, b_guess, loc_guess, scale_guess]
par = fmin_slsqp(func, p0, f_eqcons=constraint, args=(r, xa, xb),
iprint=False, iter=1000)
xmin = 0
xmax = 300
x = np.linspace(xmin, xmax, 1000)
fig, ax = plt.subplots(1, 1)
ax.plot(x, truncnorm.pdf(x, a, b, loc=loc, scale=scale),
'r-', lw=3, alpha=0.4, label='truncnorm pdf')
ax.plot(x, truncnorm.pdf(x, *par),
'k--', lw=1, alpha=1.0, label='truncnorm fit')
ax.hist(r, bins=15, density=True, histtype='stepfilled', alpha=0.3)
ax.legend(shadow=True)
plt.xlim(xmin, xmax)
plt.grid(True)
plt.show()
这是它生成的图。样本数据是随机的,因此每次运行的图都会不同。
注意:有时会生成随机数据集fmin_slsqp
计算期间因“遇到无效值”而失败。我没有进一步研究这个问题,但您的数据可能会遇到这个问题。