目录
- Scipy.stats.norm函数解析
- 调用方式用两种
- stats.norm主要公共方法如下
- 总结
Scipy.stats.norm函数解析
scipy.stats.norm
函数 可以实现正态分布(也就是高斯分布)
pdf ——概率密度函数标准形式是:
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) 编程 plt.subplot(2,2,1) # 第1种调用方式 gauss1=stats.noUeETKrm(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') 开发者_JS开发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,colorhttp://www.devze.com='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=js':',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='purpl编程客栈e',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) # <scipy.stats._distn_infrastructure.rv_frozen object at 0x121F7DB0> print(stats.norm.rvs(loc=0,scale=2,size=10)) # [ 4.04968057 -0.85376074 4.62058049 1.25731984 -0.11082284 -2.63972507 0.81014329 -0.37101067 -0.20334414 2.65743079]
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。
总结
以上为个人经验,希望能给大家一个参考,也希望大家多多支持我们。
精彩评论