Bir toplu dağıtım işlevinin logaritmik grafiği matplotlib içinde

Question

Kayıtlı olayları içeren bir dosyam var. Her girişin bir zaman ve gecikme vardır. Gecikmelerin kümülatif dağılım fonksiyonunu çizmekle ilgileniyorum. Ben kuyruk gecikmeleri ile ilgileniyorum, bu yüzden arsa logaritmik y eksenine sahip olmak istiyorum. Şu persentillerdeki gecikmelerle ilgileniyorum: 90, 99, 99,9, 99.99 ve 99.999. İşte düzenli CDF arsa üretir şimdiye kadar benim kodudur:

# retrieve event times and latencies from the file 
times, latencies = read_in_data_from_file('myfile.csv') 
# compute the CDF 
cdfx = numpy.sort(latencies) 
cdfy = numpy.linspace(1/len(latencies), 1.0, len(latencies)) 
# plot the CDF 
plt.plot(cdfx, cdfy) 
plt.show() 

Ben arsa gibi görünmek istediğini biliyorum, ama bunu elde etmek için mücadele ettik.

x ekseni logaritmik basittir yapma: Ben (bu arsa üretmek vermedi) böyle bakmak istiyorum. Y ekseni bana sorun çıkarıyor. set_yscale('log') kullanmak, 10'uncu güç kullanmak istediği için işe yaramıyor. Y ekseninin, bu çizim ile aynı taslaklara sahip olmasını gerçekten istiyorum.

Verilerimi bu gibi bir logaritmik tabloya nasıl alabilirim?

DÜZENLEME:

I 'log için yScale ve İlim ayarlanırsa [0,1, 1], aşağıdaki grafik elde:

sorun, tipik olmasıdır 0 ile 1 arasında değişen bir veri kümesinde log ölçeği çizimi sıfıra yakın değerlere odaklanacaktır. Bunun yerine, 1 değerine yakın değerlere odaklanmak istiyorum. 0

Answer 1

Esasen sizin Y değerlerine aşağıdaki dönüşümü uygulamak gerekir. Bu, y < 1'un tek sınırlama getirdiğini, böylece dönüştürülmüş arsa üzerinde negatif değerlere sahip olmanız gerekir.Anahtar kelime argüman yoluyla 9 yılların sayısını kontrol edebilirsiniz

import numpy as np 
from numpy import ma 
from matplotlib import scale as mscale 
from matplotlib import transforms as mtransforms 
from matplotlib.ticker import FixedFormatter, FixedLocator 


class CloseToOne(mscale.ScaleBase): 
    name = 'close_to_one' 

    def __init__(self, axis, **kwargs): 
     mscale.ScaleBase.__init__(self) 
     self.nines = kwargs.get('nines', 5) 

    def get_transform(self): 
     return self.Transform(self.nines) 

    def set_default_locators_and_formatters(self, axis): 
     axis.set_major_locator(FixedLocator(
       np.array([1-10**(-k) for k in range(1+self.nines)]))) 
     axis.set_major_formatter(FixedFormatter(
       [str(1-10**(-k)) for k in range(1+self.nines)])) 


    def limit_range_for_scale(self, vmin, vmax, minpos): 
     return vmin, min(1 - 10**(-self.nines), vmax) 

    class Transform(mtransforms.Transform): 
     input_dims = 1 
     output_dims = 1 
     is_separable = True 

     def __init__(self, nines): 
      mtransforms.Transform.__init__(self) 
      self.nines = nines 

     def transform_non_affine(self, a): 
      masked = ma.masked_where(a > 1-10**(-1-self.nines), a) 
      if masked.mask.any(): 
       return -ma.log10(1-a) 
      else: 
       return -np.log10(1-a) 

     def inverted(self): 
      return CloseToOne.InvertedTransform(self.nines) 

    class InvertedTransform(mtransforms.Transform): 
     input_dims = 1 
     output_dims = 1 
     is_separable = True 

     def __init__(self, nines): 
      mtransforms.Transform.__init__(self) 
      self.nines = nines 

     def transform_non_affine(self, a): 
      return 1. - 10**(-a) 

     def inverted(self): 
      return CloseToOne.Transform(self.nines) 

mscale.register_scale(CloseToOne) 

if __name__ == '__main__': 
    import pylab 
    pylab.figure(figsize=(20, 9)) 
    t = np.arange(-0.5, 1, 0.00001) 
    pylab.subplot(121) 
    pylab.plot(t) 
    pylab.subplot(122) 
    pylab.plot(t) 
    pylab.yscale('close_to_one') 

    pylab.grid(True) 
    pylab.show() 

Not:

Burada "ölçekler" içine özel dönüşümleri dahil etmek gösterir değiştirilmiş examplematplotlib gelen belgeler var

Answer 2

Tamam, bu en temiz kod değil, ancak etrafta bir yol göremiyorum. Belki de gerçekten sorduğum şey bir logaritmik CDF değildir, ama aksi takdirde bana bir istatistikçi bekleyeceğim. Ben yticklabels değiştirmek nerede

# retrieve event times and latencies from the file 
times, latencies = read_in_data_from_file('myfile.csv') 
cdfx = numpy.sort(latencies) 
cdfy = numpy.linspace(1/len(latencies), 1.0, len(latencies)) 

# find the logarithmic CDF and ylabels 
logcdfy = [-math.log10(1.0 - (float(idx)/len(latencies))) 
      for idx in range(len(latencies))] 
labels = ['', '90', '99', '99.9', '99.99', '99.999', '99.9999', '99.99999'] 
labels = labels[0:math.ceil(max(logcdfy))+1] 

# plot the logarithmic CDF 
fig = plt.figure() 
axes = fig.add_subplot(1, 1, 1) 
axes.scatter(cdfx, logcdfy, s=4, linewidths=0) 
axes.set_xlim(min(latencies), max(latencies) * 1.01) 
axes.set_ylim(0, math.ceil(max(logcdfy))) 
axes.set_yticklabels(labels) 
plt.show() 

dağınık parçasıdır: Neyse, işte ben ile geldi budur. logcdfy değişkeni 0 ile 10 arasında bir değer tutacak ve örneğimde 0 ile 6 arasındaydı. Bu kodda, etiketleri yüzdeliklerle değiştirdim. plot işlevi de kullanılabilir, ancak scatter işlevinin kuyruktaki aykırı değerleri göstermesini seviyorum. Ayrıca, bir veri ölçeğinde x eksenini seçmemeyi tercih ediyorum çünkü özel verilerim onsuz iyi bir doğrusal çizgiye sahip. -log10(1-y):