scipy.stats里的统计量与分布简介

1.通用函数

函数名	作用
pdf	概率密度函数
cdf	累计分布函数
ppf	分位点函数（CDF的逆）
rvs	产生服从指定分布的随机数
sf	残存函数（1-CDF）
isf	逆残存函数（sf的逆）
fit	对一组随机取样进行拟合，最大似然估计方法找出最适合取样数据的概率密度函数系数。

2.分布对照表

函数名	对应分布
norm	正态分布
poisson	泊松分布
uniform	均匀分布
binom	二项分布
beta	beta分布
f	F分布
gamma	gam分布
hypergeom	超几何分布
lognorm	对数正态分布
chi2	卡方分布
cauchy	柯西分布
laplace	拉普拉斯分布
rayleigh	瑞利分布
t	学生T分布
expon	指数分布

3.分布函数的使用方法

（这里以正态分布为例，其余分布函数使用方法与此类似）

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

def diff_normal_dis(miu,sigma):
    # 参数loc表示随机变量的偏移；scale表示缩放参数
    # 这里对于正态分布来说，就是 "期望" 和 "标准差"
    norm_dis = stats.norm(loc=miu, scale=sigma)
    
    # np.linspace(a,b,n) 表示从a到b均匀取的n个值
    # ppf（n）表示获取分布取得概率值为n时的变量x的值
    x = np.linspace(norm_dis.ppf(1e-10), norm_dis.ppf(0.99999999), 1000)
    
    # 使用matplotlib来绘制图像（这里不是重点，不过多介绍）
    fig, ax = plt.subplots(1, 1)
    ax.plot(x, norm_dis.pdf(x), 'r-', lw=2, label=r'miu=0, sigma=1')
    plt.ylabel('Probability')
    plt.title(r'PDF of Normal Distribution')
    ax.legend(loc='best', frameon=False)
    plt.show()

diff_normal_dis(0,1)#标准正态分布