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
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) # <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]
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。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。
