scipy.stats.norm函数 可以实现正态分布（也就是高斯分布）
norm.pdf(x, loc, scale)等同于norm.pdf(y) / scale ，其中 y = (x - loc) / scale
调用方式用两种，见代码：
from scipy import stats import numpy as np import matplotlib.pyplot as plt plt.figure(figsize=(12,8)) x=np.linspace(-5,5,num=20) plt.subplot(2,2,1) # 第1种调用方式 gauss1=stats.norm(loc=0,scale=2) # loc: mean 均值， scale: standard deviation 标准差 gauss2=stats.norm(loc=1,scale=3) y1=gauss1.pdf(x) y2=gauss2.pdf(x) plt.plot(x,y1,color='orange',label='u=0,sigma=2') plt.plot(x,y2,color='green',label='u=1,sigma=3') plt.legend(loc='upper right') plt.subplot(2,2,2) # 第2种调用方式 y1=stats.norm.pdf(x,loc=0,scale=2) y2=stats.norm.pdf(x,loc=1,scale=3) plt.plot(x,y1,color='r',label='u=0,sigma=2') plt.plot(x,y2,color='b',label='u=1,sigma=3') plt.legend(loc='upper right') # stats.norm.pdf 和 stats.norm.rvs的区别 plt.subplot(2,2,3) y1=stats.norm.rvs(loc=0,scale=2,size=20) y2=stats.norm.rvs(loc=1,scale=3,size=20) plt.plot(x,y1,color='black',linestyle=':',label='u=0,sigma=2') plt.plot(x,y2,color='purple',label='u=1,sigma=3') plt.legend(loc='upper right') plt.subplot(2,2,4) y1=sorted(stats.norm.rvs(loc=0,scale=2,size=20)) y2=sorted(stats.norm.rvs(loc=1,scale=3,size=20)) plt.plot(x,y1,color='black',linestyle=':',label='u=0,sigma=2') plt.plot(x,y2,color='purple',label='u=1,sigma=3') plt.legend(loc='upper right') 
图221 和 图222 是代表调用stats.norm.pdf方法，画出均值为u，方差为sigma的概率密度分布图。
图221 和 图222 是代表调用stats.norm.rvs方法，rvs:随机变量（就是从这个分布中抽一些样本），而不是概率密度分布哦！
print(gauss1) #
stats.norm主要公共方法如下：
- rvs:随机变量（就是从这个分布中抽一些样本）
- pdf：概率密度函数。
- cdf：累计分布函数
- sf：残存函数（1-CDF）
- ppf：分位点函数（CDF的逆）
- isf：逆残存函数（sf的逆）
- stats:返回均值，方差，（费舍尔）偏态，（费舍尔）峰度。
- moment:分布的非中心矩。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/210837.html原文链接：https://javaforall.net
