Python拟合分布生成随机数

Python拟合分布生成随机数,第1张

Python拟合分布生成随机数
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from fitter import Fitter
import warnings

#解决中文显示问题
plt.rcParams['font.sans-serif'] = ['KaiTi'] # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

warnings.filterwarnings("ignore")
pd.set_option('display.max_columns',20)  
pd.set_option('display.max_rows',20) 
#禁用科学计数法
np.set_printoptions(suppress=True,   precision=10,  threshold=2000,  linewidth=150)  
pd.set_option('display.float_format',lambda x : '%.4f' % x)
%matplotlib inline
data = pd.read_excel(r"附件2 近5年8家转运商的相关数据.xlsx")
data
转运商IDW001W002W003W004W005W006W007W008W009...W231W232W233W234W235W236W237W238W239W2400T11.55391.63900.81241.22331.11941.15721.07691.11941.9129...1.72401.54921.58701.34141.44531.59641.81371.70511.82791.92241T20.70921.24110.35461.59571.06380.70920.53191.06381.4184...0.17731.24110.70920.35460.17730.35460.53190.88650.35460.70922T30.00000.00000.09710.00000.12950.00000.03240.00000.0000...0.00000.00000.03240.00000.09710.00000.06470.00000.12950.00003T40.00000.00000.00000.00000.00000.00000.00000.00000.0000...0.00000.00000.00000.00000.00000.00000.00000.00000.00000.00004T50.00000.00000.00000.00000.00000.00000.00000.00001.7391...0.00000.00000.00000.00000.00000.00000.00000.00000.00000.00005T60.01060.02220.04542.26211.63875.00000.04120.02640.0254...0.00740.00530.00530.00110.00530.00320.00320.00000.00000.00006T70.97830.90851.25790.97831.39761.60731.18801.25795.0000...1.74701.39761.04821.53741.11811.39761.04821.39761.60731.25797T80.33900.00000.00000.00001.01690.84750.84750.67800.3390...0.67805.00005.00000.67800.33900.16950.33900.67800.33900.6780

8 rows × 241 columns

一共为8家转运商240周的损耗率数据, T 1 . . . . T 8 T_1....T_8 T1​....T8​分别代表8家转运商. W 001 − W 240 W_{001}-W_{240} W001​−W240​代表转运商1-240周的数据

任务:已知8家转运商240周转运的历史数据,现要选择转运商进行转运,问应如何得到转运商此次转运的损耗率

题目来源--2021年数学建模国赛C题

思路

1、直接利用历史数据的平均值。
2、利用历史数据的均值和方差生成新的随机数。
3、利用历史数据,拟合分布,利用分布生成新的数据。
4、时间序列预测

首先查看数据分布

plt.figure(figsize=(30,15),dpi=300)
for i in range(8):
    plt.subplot(2,4,i+1)
    plt.title("T"+str(i+1))
    plt.ylabel("损耗率%")
    plt.xlabel("周数")
    y = list(data.iloc[i][1:])
    x = [i+1 for i in range(len(y))]
    plt.scatter(x,y)

可以看出,数据并没有很明显的分布,因此不考虑用时间序列预测

而直接利用历史数据的平均值,受到异常点的影响过大且没有考虑到转运商的转运稳定性,因此不考虑平均值。

利用历史数据的均值和方差生成新的随机数,会导致生成的新数据不稳定,因此也不在此考虑。

我们使用历史数据来拟合一个分布,作为新数据的近似。

1、第一种我们可以使用已有的分布来进行拟合
2、第二种方法我们可以使用核密度估计(kde)来进行拟合

首先观察数据的分布

plt.figure(figsize=(30,15),dpi=300)
for i in range(8):
    plt.subplot(2,4,i+1)
    plt.title("转运商T"+str(i+1))
    plt.ylabel("损耗率%")
    plt.xlabel("周数")
    y = list(data.iloc[i][1:])
    #x = [i+1 for i in range(len(y))]
    sns.distplot(y)

我们拟合分布,以第一家转运商的数据为例

distributions (list) – 给出要查看的分布列表。 如果没有,则尝试所有的scipy分布(80种),常用的分布distributions=[‘norm’,‘t’,‘laplace’,‘cauchy’, ‘chi2’,’ expon’, ‘exponpow’, ‘gamma’,’ lognorm’, ‘uniform’];
但是80种都进行拟合会用较多时间,因此目前只拟合几种常用的分布。
若要全部拟合,设置distributions为默认即可

f = Fitter(list(data.iloc[i][1:]), distributions=['norm', 't', 'laplace', 'rayleigh'])
f.fit()
f.summary()
 

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/zaji/5072233.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-11-16
下一篇 2022-11-16

发表评论

登录后才能评论

评论列表(0条)

保存