Python 用正态分布拟合加权直方图

我知道如何使用SCipy库将进入直方图的数据拟合为正态分布，但如果在数据的基础上，我有一个具有相同维度的权重数组，我又怎么能做到同样的事情呢。是否有一个适当的函数，或者我应该创建一个由数据提供的第二个数组并自己对其进行加权

干杯

编辑：

这里已经回答了这个问题：

---

只需打开“权重”参数并传入权重数组：

scipy.stats.histogram(a, numbins=10, defaultlimits=None, weights=None, printextras=False)

从文档中：

权重：类似于数组，可选a中每个值的权重。 默认值为“无”，这使每个值的权重为1.0

注意：从v1.0开始，但从v1.11开始，具有类似但不完全相同的调用签名，其中包括weights=参数：

numpy.histogram(a, bins=10, range=None, normed=False, weights=None, density=None)

---

如果你正在寻找一个正态分布的Nmu，西格玛 您可以根据输入数据精确计算mu和sigma

例如：X=x1，…，xN是值，W=w1，…，wN是它们的权重

mu = sum (X * W) / sum(W)
sigma = np.sqrt (sum (W * (X- mu)**2) / sum(W))

---

如果要拟合另一种分布，我建议使用OpenTURNS库进行解答。

Hum，我一直在使用它绘制加权数据，但我也想拟合它，同时考虑权重。虽然无法使用scipy.stats.norm.fit方法，但它似乎没有附加权重参数。如果您希望通过编程方式生成权重，也许可以看看这个，嗯，这似乎不是我想要的，我想要一个加权直方图的均值和方差的估计值，以及它看起来有多像正态分布而不是从中生成样本。它看起来有多像正态分布真的没有任何意义。检查样本的平均值及其方差，看它是否接近正常值，但这与直方图无关。直方图只是一种视觉表现。如果你想用一种比普通方法更容易的方式查看你的样本，你可以使用。至于计算加权平均值和方差，你的问题的关键似乎是，我相信你可以想象如何在python中实现它，有一个函数用于这样一个基本的计算。那就用一个