尝试在Python中插入直方图函数的输出

我想做的是玩一些随机分布。我不希望这是正常的。但就目前而言，恢复正常比较容易

import matplotlib.pyplot as plt
from scipy.stats import norm

ws=norm.rvs(4.0, 1.5, size=100)
density, bins = np.histogram(ws, 50,normed=True, density=True)
unity_density = density / density.sum()

fig, ((ax1, ax2)) = plt.subplots(nrows=1, ncols=2, sharex=True, figsize=(12,6))
widths = bins[:-1] - bins[1:]

ax1.bar(bins[1:], unity_density, width=widths)
ax2.bar(bins[1:], unity_density.cumsum(), width=widths)

fig.tight_layout()

然后我能做的就是用点来可视化CDF

density1=unity_density.cumsum()
x=bins[:-1]
y=density1

plt.plot(x, density1, 'o')

所以我一直在尝试在np.histogram的输出上使用np.interp函数，以获得表示CDF的平滑曲线，并提取百分比点来绘制它们。理想情况下，我需要尝试手动和使用scipy的ppf函数来完成这一切。 作为一名大学生，我一直在努力学习统计学。我现在在读研究生，我会尽可能多地做这样的练习，以便更深入地了解正在发生的事情。我对这项任务已到了绝望的地步。

---

谢谢大家!

获得更平滑结果的一种可能性是使用更多样本，通过使用

10^5个样本

和

100个箱子

我得到以下图像：

ws=norm.rvs（loc=4.0，比例=1.5，尺寸=100000）
密度，料仓=np。直方图（ws，料仓=100，标准化=真，密度=真）

通常，您可以使用平滑CDF。 对于

100个样本

和

s=0.01的平滑因子，我得到：

将numpy导入为np
将matplotlib.pyplot作为plt导入
从scipy.interpolate导入splev，splrep
密度1=单位密度
x=垃圾箱[：-1]
y=密度1
#插值
spl=splrep（x，y，s=0.01，per=False）
x2=np.linspace（x[0]，x[-1]，200）
y2=splev（x2，spl）
#策划
图，ax=plt.子批次（）
plt.绘图（x，密度1，'o'）
plt.图（x2，y2，'r-'）


第三种可能性是通过分析计算CDF。如果您自己在大多数情况下使用
numpy
/
scipy
函数生成噪声，那么已经有了
CDF
的实现，否则您应该在维基百科上找到它。如果你的样品来自测量，那当然是另一回事了

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

fig, ax = plt.subplots()
x = np.linspace(-2, 10)
y = norm(loc=4.0, scale=1.5).cdf(x)
ax.plot(x, y, 'bo-')