Python 将正态分布拟合到一维数据

我有一个一维数组。我可以计算这个样本的“平均值”和“标准偏差”，并绘制“正态分布”，但我有一个问题：

我想将数据和正态分布绘制在同一个图中

我不知道如何绘制数据和正态分布

你知道“scipy.stats中的高斯概率密度函数”吗

---

要查看正态分布和实际数据，应将数据绘制为直方图，然后在此基础上绘制概率密度函数。请参见上的示例

---

您可以使用

matplotlib

绘制直方图和PDF（如@MrE答案中的链接所示）。为了拟合和计算PDF，可以使用

scipy.stats.norm

，如下所示

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


# Generate some data for this demonstration.
data = norm.rvs(10.0, 2.5, size=500)

# Fit a normal distribution to the data:
mu, std = norm.fit(data)

# Plot the histogram.
plt.hist(data, bins=25, density=True, alpha=0.6, color='g')

# Plot the PDF.
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = norm.pdf(x, mu, std)
plt.plot(x, p, 'k', linewidth=2)
title = "Fit results: mu = %.2f,  std = %.2f" % (mu, std)
plt.title(title)

plt.show()

以下是脚本生成的绘图：

---

使用seaborn有一种更简单的方法：

import seaborn as sns
from scipy.stats import norm

data = norm.rvs(5,0.4,size=1000) # you can use a pandas series or a list if you want

sns.distplot(data)
plt.show()

---

有关详细信息：

此处您未拟合正态分布。将

sns.distplot（data）

替换为

sns.distplot（data，fit=norm，kde=False）

应该可以做到这一点。

到目前为止您尝试了什么？请发布您目前拥有的代码，以便我们能够回答有关它的特定问题。没有scipy模块是否可以执行此操作？@maro Yes。拟合正态分布非常简单。您可以将

mu，std=norm.fit（数据）

替换为

mu=np.mean（数据）；std=np.std（数据）

。如果要在图中绘制该曲线，您必须实现自己版本的正态分布PDF。是否有理由使用

x=np.linspace（xmin，xmax，100）

而不是

x=np.sort（data）

？后者似乎更合理秀, 原始数据可能在某些区域稀疏，而在另一些区域密集，这使得PDF的绘图参差不齐。通过使用linspace，您可以在规则间隔的网格上对PDF进行采样，并使采样尽可能密集，从而生成PDF的平滑绘图。这不是正态分布。这就是KDE（核密度估计）方法

import seaborn as sns
from scipy.stats import norm

data = norm.rvs(5,0.4,size=1000) # you can use a pandas series or a list if you want

sns.distplot(data)
plt.show()