Python數(shù)據(jù)可視化:冪律分布實例詳解

更新時間：2019年12月07日 09:16:11 作者：墨竹 | kevinelstri

今天小編就為大家分享一篇Python數(shù)據(jù)可視化:冪律分布實例詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

1、公式推導(dǎo)

對冪律分布公式：

對公式兩邊同時取以10為底的對數(shù)：

所以對于冪律公式，對X,Y取對數(shù)后，在坐標(biāo)軸上為線性方程。

2、可視化

從圖形上來說，冪律分布及其擬合效果：

對X軸與Y軸取以10為底的對數(shù)。效果上就是X軸上1與10，與10與100的距離是一樣的。

對XY取雙對數(shù)后，坐標(biāo)軸上點可以很好用直線擬合。所以，判定數(shù)據(jù)是否符合冪律分布，只需要對XY取雙對數(shù)，判斷能否用一個直線很好擬合就行。常見的直線擬合效果評估標(biāo)準(zhǔn)有擬合誤差平方和、R平方。

3、代碼實現(xiàn)

#!/usr/bin/env python
# -*-coding:utf-8 -*-

import matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model
from scipy.stats import norm

def DataGenerate():
 X = np.arange(10, 1010, 10) # 0-1，每隔著0.02一個數(shù)據(jù) 0處取對數(shù),會時負(fù)無窮 生成100個數(shù)據(jù)點
 noise=norm.rvs(0, size=100, scale=0.2) # 生成50個正態(tài)分布 scale=0.1控制噪聲強度
 Y=[]
 for i in range(len(X)):
  Y.append(10.8*pow(X[i],-0.3)+noise[i]) # 得到Y(jié)=10.8*x^-0.3+noise

 # plot raw data
 Y=np.array(Y)
 plt.title("Raw data")
 plt.scatter(X, Y, color='black')
 plt.show()

 X=np.log10(X) # 對X，Y取雙對數(shù)
 Y=np.log10(Y)
 return X,Y

def DataFitAndVisualization(X,Y):
 # 模型數(shù)據(jù)準(zhǔn)備
 X_parameter=[]
 Y_parameter=[]
 for single_square_feet ,single_price_value in zip(X,Y):
  X_parameter.append([float(single_square_feet)])
  Y_parameter.append(float(single_price_value))

 # 模型擬合
 regr = linear_model.LinearRegression()
 regr.fit(X_parameter, Y_parameter)
 # 模型結(jié)果與得分
 print('Coefficients: \n', regr.coef_,)
 print("Intercept:\n",regr.intercept_)
 # The mean square error
 print("Residual sum of squares: %.8f"
  % np.mean((regr.predict(X_parameter) - Y_parameter) ** 2)) # 殘差平方和

 # 可視化
 plt.title("Log Data")
 plt.scatter(X_parameter, Y_parameter, color='black')
 plt.plot(X_parameter, regr.predict(X_parameter), color='blue',linewidth=3)

 # plt.xticks(())
 # plt.yticks(())
 plt.show()

if __name__=="__main__":
 X,Y=DataGenerate()
 DataFitAndVisualization(X,Y)