L-Moments for robust statistics & inference.
项目描述
Lmo - Trimmed L-moments and L-comoments
与传统的矩不同，L-moments 独特地描述一个概率分布，并且更稳健、更高效。
"L"代表线性；它是顺序统计量的线性组合。因此，Lmo的速度与排序样本（从时间复杂度的角度来看）一样快。
主要功能
- 从样本或任何
scipy.stats分布中计算修剪的L-moments和L-comoments。 - 完全支持修剪的L-moment（TL-moments），例如
lmo.l_moment(..., trim=(1/137, 3.1416))。 - L-moments的广义方法：超越MLE的稳健分布拟合。
- 从您多维数据或多变量分布中快速估计L-comoments矩阵。
- 使用L-moments或L-moment比率进行拟合优度检验。
- 样本和总体L-moments的精确（协）方差结构。
- L-moments和L-ratio的理论和经验影响函数。
- 完整的文档，包括详细的API参考、使用示例和数学$\TeX$定义。
- 简洁的Pythonic语法，易于使用。
- 矢量化函数，适用于非常快速的拟合。
- 完全输入、测试和调试。
- 可选的Pandas集成。
快速示例
即使你的数据像柯西分布那样异常，L矩未定义，也可以使用修剪L矩（TL矩）。让我们计算一些样本的TL位置和TL尺度。
>>> import numpy as np
>>> import lmo
>>> rng = np.random.default_rng(1980)
>>> x = rng.standard_cauchy(96) # pickle me, Lmo
>>> lmo.l_moment(x, [1, 2], trim=(1, 1)).
array([-0.17937038, 0.68287665])
现在与理论标准柯西TL矩进行比较。
>>> from scipy.stats import cauchy
>>> cauchy.l_moment([1, 2], trim=(1, 1))
array([0. , 0.69782723])
查看文档获取更多示例和API参考。
路线图
- 自动修剪长度选择。
- 绘图工具（可选依赖），例如L矩比率图。
安装
Lmo在PyPI上，所以你可以做如下操作：
pip install lmo
依赖关系
这些依赖关系在安装Lmo时由你的包管理器自动安装。
| 包 | 支持版本 |
|---|---|
| Python | >=3.10 |
| NumPy | >=1.23 |
| SciPy | >=1.9 |
此外，Lmo还支持以下可选包
| 包 | 支持版本 | 安装 |
|---|---|---|
| Pandas | >=1.5 |
pip install Lmo[pandas] |
有关更多信息，请参阅SPEC 0。
基础文献
下载文件
下载适合您平台的应用程序。如果您不确定该选择哪个，请了解更多关于安装软件包的信息。
源代码分发
lmo-0.14.2.tar.gz (100.9 kB 查看哈希值)
构建分发
lmo-0.14.2-py3-none-any.whl (115.9 kB 查看哈希值)
关闭
lmo-0.14.2.tar.gz的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 7ae9352b70d1f6c8f86dfb433a36269b2ee7187157b06dad8be03d973e2bb56d |
|
| MD5 | ec8d3f9682ddc77f8ea90012dce669b5 |
|
| BLAKE2b-256 | 33582185023194adc988d70cca4e8628e50f2e6e85fc60c537d1dede99790470 |