Python从正态分布生成随机麦克斯韦分布

我有一组遵循正态分布的数据，在其中我可以拟合直方图并获得平均值和西格玛

为了举例，我将通过生成一个随机正态分布来近似它，如下所示：

from scipy.stats import maxwell
import math
import random
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
from scipy.optimize import curve_fit
from IPython import embed # put embed() where you want to stop
import matplotlib.ticker as ticker

    data = random.gauss(307, 16)
    N, bins, patches = plt.hist(data, bins=40, density=True, alpha=0.5, histtype='bar', ec='black')
    mu, std = norm.fit(data)
    xmin, xmax = plt.xlim()
    x = np.linspace(xmin, xmax, 100)
    p = norm.pdf(x, mu, std)
    plt.plot(x, p, 'k', linewidth=2, label= r'$\mu$ = '+'{:0.1f}'.format(mu)+r' $\pm$ '+'{:0.1f}'.format(std))

接下来我想做的是从这个“正态”分布生成一个麦克斯韦分布，并能够拟合

---

我读过网页和其他一些相关问题，但无法从“高斯分布”生成这样的分布并进行拟合。任何帮助都将不胜感激。

好吧，知道每个麦克斯韦都是分子速度绝对值的分布，其中每个分量都是正态分布的，你们可以像下面的代码一样进行采样

import numpy as np
import matplotlib.pyplot as plt

from scipy.stats import maxwell

def maxw(size = None):
    """Generates size samples of maxwell"""
    vx = np.random.normal(size=size)
    vy = np.random.normal(size=size)
    vz = np.random.normal(size=size)
    return np.sqrt(vx*vx + vy*vy + vz*vz)

mdata = maxw(100000)
h, bins = np.histogram(mdata, bins = 101, range=(0.0, 10.0))

x = np.linspace(0.0, 10.0, 100)
rv = maxwell()

fig, ax = plt.subplots(1, 1)

ax.hist(mdata, bins = bins, density=True)
ax.plot(x, rv.pdf(x), 'k-', lw=2, label='Maxwell pdf')
plt.title("Maxwell")
plt.show()

这是采样和Maxwell PDF重叠的图片

---

能否添加运行代码所需的所有相关

import

语句？我们或许可以很好地猜测它们是什么，但我们不应该这样做。：）“…但无法从“高斯分布”生成这样的分布并进行拟合。”你到底尝试了什么，出了什么问题？你有没有收到错误，或者只是意外的结果？谢谢你的建议，我已经添加了导入的包。我试过做ax.plot（数据，maxwell.pdf（数据），'r-'，lw=5，alpha=0.6，label='maxwell-pdf'）和ax.plot（数据，maxwell.pdf（x），'r-'，lw=5，alpha=0.6，label='maxwell-pdf'），其中x应该是高斯输出。在第一种情况下，它根本不适合，在第二种情况下，它给了我一个错误。仍然不确定什么是正确的方法<编码>随机。高斯（307，16）生成一个样本。我不认为将正态分布（或麦克斯韦分布）拟合到单个点有什么意义<代码>标准拟合（数据）将准确返回该点作为平均值（即位置），0作为标准偏差（即刻度）。这真的是您正在使用的完整代码吗？