问题标签 [power-law]

下面的文章中有一个指数截断幂律方程：

Gonzalez, MC, Hidalgo, CA, & Barabasi, AL (2008)。了解个人的人类流动模式。自然，453（7196），779-782。

像这样：

它是一个指数截断幂律。需要估计三个参数：rg0、beta和K。现在我们得到了几个用户的回转半径（rg），并上传到Github：回转半径.txt

以下代码可用于读取数据并计算 P(rg)：

或者您可以直接获取 rg 和 prg 数据，如下所示：

我可以使用以下 python 脚本绘制 P(r_g) 和 r_g：

如何使用 rgs 的这些数据来估计上面的三个参数？我希望使用python解决它。

我正在尝试使用 Excel 为项目模拟多种不同的分布类型。现在，我生成了一个平均值为 35、标准差为 3.33 的正态分布。到目前为止，一切都很好。

我还想生成一些其他分布类型。

我尝试过的一个是对数正态。为此，我使用以下代码：

它产生一些输出，但我欢迎任何人对语法的输入。

我真正想做的是幂律分布。据我所知，Excel 没有内置函数来随机生成这些数据。除了切换软件包之外，有谁知道这样做的方法？

感谢您的任何帮助，您可以提供。

乙

我尝试使用以下 R 代码可视化幂律 p(x)=x^(-2.5)。当你最终使用对数刻度时，你会得到很多振动，这可以看出这里

但是知道，这是我的问题，我读了一篇文章，作者说我必须使用累积分布函数来消除最后的这种振动。但对我来说它不起作用，可以在这里看到

那么有人知道我做错了什么吗？或者我怎样才能在没有振动的情况下直线下降？我真的不知道我做错了什么

我想用它R来测试网络的度数分布是否表现得像具有无标度属性的幂律。尽管如此，我读过不同的人以许多不同的方式这样做，其中一个令人困惑的地方是应该在模型中使用的输入。

例如，Barabasi 建议将幂律拟合到度数的“互补累积分布”（参见第 4 章的高级主题 3.B，图 4.22）。但是，我看到人们将幂律拟合到图形的度数（通过 获得igraph::degree(g)），我还看到其他人将幂律拟合到度数分布，通过 igraph::degree_distribution(g, cumulative = T)

正如您在下面可重现的示例中看到的那样，这些选项给出了非常不同的结果。哪一个是正确的？以及如何从图表中获得“度数的互补累积分布”，以便拟合幂律？

我目前正在尝试找到一种方法来计算适合 MLE 的截止分布的幂律。分布如下所示：

如您所见，我能够分别拟合整个分布（幂律拟合）和下限（exp-fit）。我没有弄清楚的是如何拟合分布的上限（fe 8 < x < 100）。

有没有办法用powerlaw包或任何其他 R 包做到这一点？我希望是这样的（注意：这只是一个随机分布）：

代码（如有必要）：

我有一个包含 5 列的 100 万条记录的数据框。

列 ,company_name有 100k 条唯一记录。这遵循幂律。前 5000 名company_names涵盖了 70% 的记录。

我想从对前 5000 名数据做出贡献的公司和剩余的集合中抽取相同数量的样本。

我试过了pd.qcut(df['company_name'],[0.25,1]。这给了我以下错误： TypeError: unorderable types: str() <= float()。不能qcut应用于字符串？

我最近一直在尝试使用 Powerlaw 包（https://pypi.python.org/pypi/powerlaw）将幂律分布拟合到我的数据中。我的目标是获得 f(x) = Cx^{-alpha} 形式的方程。

按照说明：

实际上返回 alpha 系数，但是归一化常数 C 呢？有没有办法直接计算？

有可能，C = sum（数据）吗？

非常感谢。

我正在尝试使用 python 将一些数据拟合到幂律中。问题是我的一些观点是上限，我不知道如何将其包含在拟合程序中。

在数据中，我将上限设置为 y 中的误差等于 1，而其余的则要小得多。您可以将此错误设置为 0 并更改 uplims 列表生成器，但这样的配合很糟糕。

代码如下：

拟合的结果是：

正如您在图中看到的那样，前两个点和最后两个点是上限，拟合没有考虑到它们。此外，在倒数第二点，即使严格禁止，拟合也会超过它。

我需要拟合知道这个限制非常严格，而不是试图拟合点本身，而只是将它们视为限制。我怎么能用 odr 例程（或任何其他让我适合并给我卡方估计器的代码）来做到这一点？

请考虑到我需要轻松地将函数更改为其他泛化，因此幂律模块之类的东西是不可取的。

谢谢！

如果我有一个有向图，每个顶点都有入度和出度。

通过绘制具有节点数量的入度和出度具有该入/出度，从曲线中可以清楚地看出它遵循幂律。

但是我怎样才能找到功率低指数呢？

谢谢，

我试图弄清楚如何插值一个函数，并且我希望能够在插值范围之外推断出一个小的方法。有一些背景理论使我预期因变量x的大值的行为将渐近于 -<em>A· x ^-<em>n行为（可能有一些偏移）。我想找到最合适的幂律，但仅适用于较大的x值。有没有在 Python 中实现这个的好方法？

我试图为我的幂律的对数线性化版本做最小二乘，但它给了我一个不合适的拟合——我怀疑这是因为编码错误而不是数学错误。我正在考虑通过在幂律中引入偏移量来做到这一点，这样对数方程将是 ln(−<em>y) = ln( A ) −  n  ln( x −<em>x ₀ )。到目前为止，我所拥有的是：

任何人都可以帮我解决这个问题吗？

任何帮助深表感谢！

更新：我对这个问题有一个务实的解决方案。我刚刚为整个数据范围拟合了幂律。它似乎工作得非常好，现在的代码确实想要我想要的，但不是我希望通过这个评论理解的方式。我现在拥有的代码是：