Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > physics > arXiv:1305.0215v3

帮助 | 高级搜索

物理学 > 数据分析、统计与概率

arXiv:1305.0215v3 (physics)
[提交于 2013年5月1日 (v1) ,最后修订 2014年1月31日 (此版本, v3)]

标题: 幂律分布:用于分析重尾分布的Python包

标题: Powerlaw: a Python package for analysis of heavy-tailed distributions

Authors:Jeff Alstott, Ed Bullmore, Dietmar Plenz
摘要: 幂律是一种在理论上有趣的概率分布,同时也经常被用来描述经验数据。 近年来,已经开发出有效的统计方法来拟合幂律,但适当使用这些技术需要相当的编程和统计洞见。 为了大幅降低使用良好统计方法拟合幂律分布的障碍,我们开发了 powerlaw Python 软件包。 该软件包提供了用于基本拟合和分布统计分析的简单命令。 值得注意的是,它还通过为用户提供丰富的选项来满足各种需求。 源代码公开且易于扩展。
摘要: Power laws are theoretically interesting probability distributions that are also frequently used to describe empirical data. In recent years effective statistical methods for fitting power laws have been developed, but appropriate use of these techniques requires significant programming and statistical insight. In order to greatly decrease the barriers to using good statistical methods for fitting power law distributions, we developed the powerlaw Python package. This software package provides easy commands for basic fitting and statistical analysis of distributions. Notably, it also seeks to support a variety of user needs by being exhaustive in the options available to the user. The source code is publicly available and easily extensible.
评论: 18页,6个图,代码和支持信息见 https://github.com/jeffalstott/powerlaw 和 https://pypi.python.org/pypi/powerlaw
主题: 数据分析、统计与概率 (physics.data-an)
引用方式: arXiv:1305.0215 [physics.data-an]
  (或者 arXiv:1305.0215v3 [physics.data-an] 对于此版本)
  https://doi.org/10.48550/arXiv.1305.0215
通过 DataCite 发表的 arXiv DOI
期刊参考: PLoS ONE 9(1): e85777
相关 DOI: https://doi.org/10.1371/journal.pone.0085777
链接到相关资源的 DOI

提交历史

来自: Jeff Alstott [查看电子邮件]
[v1] 星期三, 2013 年 5 月 1 日 16:11:59 UTC (224 KB)
[v2] 星期四, 2013 年 10 月 17 日 10:53:08 UTC (316 KB)
[v3] 星期五, 2014 年 1 月 31 日 17:11:39 UTC (316 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
physics.data-an
< 上一篇   |   下一篇 >
新的 | 最近的 | 2013-05
切换浏览方式为:
physics

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号