dataprob 0.9.4

设计原则

• 易用性: 用户编写一个描述其模型的Python函数，然后将实验数据作为DataFrame加载。

• 以DataFrame为中心: 使用pandas DataFrame来指定参数范围、猜测值、固定性和先验。观测数据可以作为DataFrame或NumPy向量传递。所有输出都是pandas DataFrame。

• 一致的体验：用户可以使用相同界面和几乎相同的诊断输出进行最大似然、自助重采样或贝叶斯MCMC分析。

• 可解释性：提供诊断图并运行测试以验证拟合结果。

简单示例

以下代码生成噪声线性数据并使用dataprob找到其斜率和截距的最大似然估计。 在Google Colab上运行。

import dataprob
import numpy as np

# Generate "experimental" linear data (slope = 5, intercept = 5.7) that has
# random noise on each point.
x_array = np.linspace(0,10,25)
noise = np.random.normal(loc=0,scale=0.5,size=x_array.shape)
y_obs = 5*x_array + 5.7 + noise

# 1. Define a linear model
def linear_model(m=1,b=1,x=[]):
    return m*x + b

# 2. Set up the analysis. 'method' can be "ml", "mcmc", or "bootstrap"
f = dataprob.setup(linear_model,
                   method="ml",
                   non_fit_kwargs={"x":x_array})

# 3. Fit the parameters of linear_model model to y_obs, assuming uncertainty
#    of 0.5 on each observed point.
f.fit(y_obs=y_obs,
      y_std=0.5)

# 4. Access results
fig = dataprob.plot_summary(f)
fig = dataprob.plot_corner(f)
print(f.fit_df)
print(f.fit_quality)

图表将如下所示

f.fit_df数据框将类似于

f.fit_quality数据框将类似于

安装

我们建议使用pip安装dataprob

pip install dataprob

从源代码安装并运行测试

git clone https://github.com/harmslab/dataprob.git
cd dataprob
pip install .

# to run test-suite
pytest --runslow

示例

通过学习示例是学习如何使用库的好方法。以下笔记本包含在dataprob/examples/目录中。它们是包含dataprob用于分析各种实验数据的自包含演示。以下链接将每个笔记本在Google Colab中启动

• api-example.ipynb：展示分析线性模型时API的各种功能

• linear.ipynb：将线性模型拟合到噪声数据（2参数，线性）

• binding.ipynb：单个位点结合相互作用（2参数，S形曲线）

• michaelis-menten.ipynb：酶动力学的Michaelis-Menten模型（2参数，S形曲线）

• lagged-exponential.ipynb：具有初始滞后期段的细菌生长曲线（3参数，指数）

• multi-gaussian.ipynb：两个重叠的正态分布（6参数，高斯）

• periodic.ipynb：周期数据（3参数，正弦波）

• polynomial.ipynb：没有明显形式的非线性数据（5参数，多项式）

• linear-extrapolation-folding.ipynb：蛋白质平衡展开数据（6参数，线性嵌入S形）

文档

完整文档在readthedocs上。