Aaron Clauset的幂律分布拟合器的Python实现
项目描述
这是一个幂律分布拟合器的Python实现。这里的代码最初托管在agpy上，但已移动并重新打包，以便使setup.py更干净。
另请参阅https://github.com/jeffalstott/powerlaw，这是同一算法的另一种实现，具有额外的功能。
安装
我已经尝试让setup.py文件正常工作，但它包括一些技巧，所以如果您遇到问题，请在github上报告
git clone git@github.com:keflavich/plfit.git cd plfit python setup.py install
如果 python setup.py install 无法工作，您可以尝试以下操作
要安装cython函数，请运行：python setup.py build_ext --inplace
要安装fortran函数
cd plfit/plfit/ f2py -c fplfit.f -m fplfit --fcompiler=gfortran
描述
Aaron Clauset等人在这网站以及他们的论文Power-law distributions in empirical data中讨论了将幂律拟合到分布的问题。由于我没有MATLAB或R，并想进行一些幂律拟合，因此我创建了他们代码的Python实现。
幂律在天文学中非常常见，通常用于描述初始质量函数（IMF）、核心质量函数（CMF）和通常的亮度分布。大多数天文学分布倾向于是明显的幂律，因为源计数太少或太窄，无法区分幂律、对数正态和其他分布。但是，为此，我已经包括了测试机制，以测试与上述论文中描述的幂律的一致性。
Python内部文档完整。此处包括相关函数的简要描述，以方便使用。
plfit作为类实现。这意味着您导入plfit，并声明plfit类的实例
import plfit X = rand(1000) myplfit = plfit.plfit(X)
拟合结果将打印到屏幕上（如果需要），并作为对象的一部分存储。
alpha_ 和 kstest_ 是内部使用的函数，用于确定ks统计量和alpha值作为xmin的函数。
- 有3个预定义的绘图函数
alphavsks 绘制alpha值在y轴上与ks统计量值在x轴上的关系图，并用带有误差线的“最佳拟合”alpha值进行绘制。这些图是一种有用的方式，可以确定其他xmin值是否同样适合。
plotcdf 绘制累积分布函数以及最佳拟合幂律
plotpdf 绘制PDF直方图，并用最佳拟合幂律进行绘制。默认使用对数分箱（即线性幂律拟合），但也可以进行dN/dS和线性分箱。
- 其他有用的函数
test_pl 使用拟合的幂律作为蒙特卡洛测试的起点，以确定幂律是否是一个可接受的拟合。它返回一个“p值”，如果幂律拟合要被考虑，这个p值应该 >0.1（尽管高p值并不能保证分布函数是幂律！）。
plexp_inv 创建一个具有指数衰减的截止幂律分布，这在测试中很有用。
pl_inv 创建一个纯截止幂律分布
test_fitter 使用前两个函数来测试拟合器在多次迭代后返回正确的xmin和alpha值的能力
幂律拟合器在返回正确的alpha值方面非常有效，但在返回正确的xmin值方面并不那么好。
代码内部有3种实现。fplfit.f是fortran函数，cplfit.pyx是cython函数，plfit.py是包装器，包括仅使用numpy的纯python实现。FORTRAN是最快的，其次是cython。Python大约慢3倍。
截至2011年11月21日，有一个纯python（即，无numpy）实现可在 <https://github.com/keflavich/plfit/blob/master/plfit/plfit_py.py> - 您只需将此文件放入您的本地工作目录中并导入，因为它不包含纯python之外的要求。它较慢且功能受限，但可以工作，也许可以使用 pypy 运行得更快。
- 有关使用 示例，请参阅
一个非常简单的例子
import plfit from numpy.random import rand,seed # generate a power law using the "inverse" power-law generator code X=plfit.plexp_inv(rand(1000),1,2.5) # use the numpy version to fit (usefortran=False is only needed if you installed the fortran version) myplfit=plfit.plfit(X,usefortran=False) # output should look something like this: # PYTHON plfit executed in 0.201362 seconds # xmin: 0.621393 n(>xmin): 263 alpha: 2.39465 +/- 0.0859979 Log-Likelihood: -238.959 ks: 0.0278864 p(ks): 0.986695 # generate some plots from pylab import * figure(1) myplfit.plotpdf() figure(2) myplfit.plotcdf()
如果您使用此代码，请引用 Clauset 等人 2009
欢迎直接引用来源！以下工作（以及可能的其他工作）中引用了python翻译：
v1.0.3 - 只是向pypi推送，可能是2.7->3.x v1.0.2 - 修复“nosmall”情况下的错误，并更新文档 v1.0.1 - 仅修复pypi的错误；仅在MANIFEST.in中添加内容 v1.0 - 第一个版本
