2020-11-18

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、Scipy是什么？

示例：scipy 包含许多专注于科学计算中的常见问题的工具箱。它的子模块对应于不同的应用，比如插值，积分，优化，图像处理，统计和特殊功能等。

二、使用步骤

1.引入库

代码如下（示例）：

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

2.函数参数

代码如下（示例）：

norm.cdf 返回对应的累计分布函数值
norm.pdf 返回对应的概率密度函数值
norm.rvs 产生指定参数的随机变量
norm.fit 返回给定数据下，各参数的最大似然估计（MLE）值
x_norm = norm.rvs(size = 200)
#在这组数据下，正态分布参数的最大似然估计值
x_mean, x_std = norm.fit(x_norm)
print('mean, ', x_mean)
print('std, ', x_std)
plt.hist(x_norm, normed = True, bins = 15)
#归一化直方图（用出现频率代替次数），将划分区间变为20（默认10）
x = np.linspace(-3, 3, 50)
#在(-3, 3)之间返回均值间隔的50个数字
plt.plot(x, norm.pdf(x), 'r--')
plt.show()

3.子模块

scipy.stats 统计

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了scipy的使用，而scipy提供了大量能使我们快速便捷地处理数据的函数和方法。