Python实现幂律分布数据可视化与线性拟合详解

云舒

发布时间：2026-10-13| 5人浏览过

原创

本文详解如何利用Python进行幂律分布的数据可视化。通过推导对数变换公式，阐明双对数坐标下幂律关系转化为线性方程的原理。结合Matplotlib与Scikit-learn库，演示从生成带噪声的幂律数据、绘制散点图到使用线性回归模型进行拟合的全过程，并评估拟合效果。

幂律分布公式推导

首先进行公式推导。

针对幂律分布的基本公式：

对公式等式两边同时取以10为底的对数：

由此可知，对于幂律公式，当对变量X和Y取对数后，其在坐标系中表现为线性方程。

可视化与双对数坐标原理

接下来进行可视化处理。

从图形角度观察幂律分布及其拟合效果：

对X轴和Y轴均取以10为底的对数。在视觉效果上，这意味着X轴上1到10的距离与10到100的距离相等。

对X和Y进行双对数变换后，坐标轴上的数据点能够很好地用直线进行拟合。因此，判断数据是否符合幂律分布，只需对X和Y取双对数，并检验能否用一条直线良好拟合即可。常用的直线拟合效果评估指标包括拟合误差平方和以及R平方值。

Python代码实现

以下是具体的代码实现部分。


#!/usr/bin/env python
# -*-coding:utf-8 -*-

import matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model
from scipy.stats import norm

def DataGenerate():
 X = np.arange(10, 1010, 10) # 0-1，每隔着0.02一个数据 0处取对数,会时负无穷 生成100个数据点
 noise=norm.rvs(0, size=100, scale=0.2) # 生成50个正态分布 scale=0.1控制噪声强度
 Y=[]
 for i in range(len(X)):
  Y.append(10.8*pow(X[i],-0.3)+noise[i]) # 得到Y=10.8*x^-0.3+noise

 # plot raw data
 Y=np.array(Y)
 plt.title("Raw data")
 plt.scatter(X, Y, color='black')
 plt.show()

 X=np.log10(X) # 对X，Y取双对数
 Y=np.log10(Y)
 return X,Y

def DataFitAndVisualization(X,Y):
 # 模型数据准备
 X_parameter=[]
 Y_parameter=[]
 for single_square_feet ,single_price_value in zip(X,Y):
  X_parameter.append([float(single_square_feet)])
  Y_parameter.append(float(single_price_value))

 # 模型拟合
 regr = linear_model.LinearRegression()
 regr.fit(X_parameter, Y_parameter)
 # 模型结果与得分
 print('Coefficients: \n', regr.coef_,)
 print("Intercept:\n",regr.intercept_)
 # The mean square error
 print("Residual sum of squares: %.8f"
  % np.mean((regr.predict(X_parameter) - Y_parameter) ** 2)) # 残差平方和

 # 可视化
 plt.title("Log Data")
 plt.scatter(X_parameter, Y_parameter, color='black')
 plt.plot(X_parameter, regr.predict(X_parameter), color='blue',linewidth=3)

 # plt.xticks(())
 # plt.yticks(())
 plt.show()

if __name__=="__main__":
 X,Y=DataGenerate()
 DataFitAndVisualization(X,Y)