python中uniform函数_python scipy stats.uniform用法及代码示例

均匀连续随机变量。

在标准形式下，分布均匀[0, 1]。使用参数loc和scale，在上获得均匀分布[loc, loc + scale]。

作为一个实例rv_continuous类，uniform对象从中继承了通用方法的集合(完整列表请参见下文)，并使用特定于此特定发行版的详细信息来完善它们。

例子：

>>> from scipy.stats import uniform

>>> import matplotlib.pyplot as plt

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

首先计算一下：

>>> mean, var, skew, kurt = uniform.stats(moments='mvsk')

显示概率密度函数(pdf)：

>>> x = np.linspace(uniform.ppf(0.01),

... uniform.ppf(0.99), 100)

>>> ax.plot(x, uniform.pdf(x),

... 'r-', lw=5, alpha=0.6, label='uniform pdf')

或者，可以调用分发对象(作为函数)以固定形状，位置和比例参数。这将返回固定固定给定参数的“frozen” RV对象。

冻结发行版并显示冻结的pdf：

>>> rv = uniform()

>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查的准确性cdf和ppf：

>>> vals = uniform.ppf([0.001, 0.5, 0.999])

>>> np.allclose([0.001, 0.5, 0.999], uniform.cdf(vals))

True

生成随机数：

>>> r = uniform.rvs(size=1000)

并比较直方图：

>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)

>>> ax.legend(loc='best', frameon=False)

>>> plt.show()

方法：

rvs(loc=0, scale=1, size=1, random_state=None)

随机变量。

pdf(x, loc=0, scale=1)

概率密度函数。

logpdf(x, loc=0, scale=1)

概率密度函数的对数。

cdf(x, loc=0, scale=1)

累积分布函数。

logcdf(x, loc=0, scale=1)

累积分布函数的日志。

sf(x, loc=0, scale=1)

生存函数(也定义为1 - cdf，但sf有时更准确)。

logsf(x, loc=0, scale=1)

生存函数的日志。

ppf(q, loc=0, scale=1)

百分比点函数(的倒数cdf—百分位数)。

isf(q, loc=0, scale=1)

逆生存函数(sf)。

moment(n, loc=0, scale=1)

n阶非中心矩

stats(loc=0, scale=1, moments=’mv’)

均值(‘m’)，方差(‘v’)，偏斜(‘s’)和/或峰度(‘k’)。

entropy(loc=0, scale=1)

RV的(微分)熵。

fit(data, loc=0, scale=1)

通用数据的参数估计。

expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

函数(具有一个参数)相对于分布的期望值。

median(loc=0, scale=1)

分布的中位数。

mean(loc=0, scale=1)

分布的平均值。

var(loc=0, scale=1)

分布的差异。

std(loc=0, scale=1)

分布的标准偏差。

interval(alpha, loc=0, scale=1)

包含分布的Alpha百分比的范围的端点