Похоже, что scipy.stats.expon.fit — это, по сути, небольшая оболочка над scipy.optimize.minimize, где сначала создается функция для вычисления отрицательной логарифмической вероятности, а затем используется scipy.optimize.minimize для соответствия параметрам PDF.
Итак, я думаю, что вам нужно сделать здесь, это написать свою собственную функцию, которая вычисляет отрицательную логарифмическую вероятность объекта счетчика, а затем вызвать scipy.optimize.minimize самостоятельно.
В частности, scipy определяет параметр масштаба expon здесь http://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.expon.html
Итак, pdf:
pdf(x) = 1 / scale * exp ( - x / scale)
Итак, логарифмируя обе части, получаем:
log_pdf(x) = - log(scale) - x / scale
Следовательно, отрицательное логарифмическое сходство всего в вашем встречном объекте будет:
def neg_log_likelihood(scale):
total = 0.0
for x, count in counter.iteritems():
total += (math.log(scale) + x / scale) * count
return total
Вот программа, чтобы попробовать это.
import scipy.stats
import scipy.optimize
import math
import collections
def fit1(counter):
def neg_log_likelihood(scale):
total = 0.0
for x, count in counter.iteritems():
total += (math.log(scale) + x / scale) * count
return total
optimize_result = scipy.optimize.minimize(neg_log_likelihood, [1.0])
if not optimize_result.success:
raise Exception(optimize_result.message)
return optimize_result.x[0]
def fit2(counter):
data = []
# Create an array where each key is repeated as many times
# as the value of the counter.
for x, count in counter.iteritems():
data += [x] * count
fit_result = scipy.stats.expon.fit(data, floc = 0)
return fit_result[-1]
def test():
c = collections.Counter()
c[1] = 193260
c[2] = 51794
c[3] = 19112
c[4] = 9250
c[5] = 6486
print "fit1 'scale' is %f " % fit1(c)
print "fit2 'scale' is %f " % fit2(c)
test()
Вот результат:
fit1 'scale' is 1.513437
fit2 'scale' is 1.513438
person
mattsh
schedule
23.02.2014