scipy.stats.Normal.

plot#

Normal.plot(x='x', y=None, *, t=None, ax=None)[source]#

绘制分布的函数。

用于快速可视化随机变量底层分布的便捷函数。

参数:
x, ystr, optional

字符串,指示要用作横坐标和纵坐标(水平和垂直坐标)的数量。默认为 'x'(随机变量的域)以及 'pdf'(概率密度函数)(连续)或 'pdf'(概率密度函数)(离散)。有效值为:'x'、'pdf'、'pmf'、'cdf'、'ccdf'、'icdf'、'iccdf'、'logpdf'、'logpmf'、'logcdf'、'logccdf'、'ilogcdf'、'ilogccdf'。

t3 元组 (str, float, float), optional

元组,指示绘制数量的限制范围。如果域是无限的,则默认为 ('cdf', 0.0005, 0.9995),表示要显示分布的中心 99.9%;否则,使用支持的端点(如果它们是有限的)。有效值为:'x'、'cdf'、'ccdf'、'icdf'、'iccdf'、'logcdf'、'logccdf'、'ilogcdf'、'ilogccdf'。

axmatplotlib.axes, optional

生成绘图的轴。如果未提供,则使用当前轴。

返回值:
axmatplotlib.axes

生成绘图的轴。可以通过操作此对象自定义绘图。

示例

使用所需的参数实例化分布

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> from scipy import stats
>>> X = stats.Normal(mu=1., sigma=2.)

绘制分布中心 99.9% 范围内的 PDF。与随机样本的直方图进行比较。

>>> ax = X.plot()
>>> sample = X.sample(10000)
>>> ax.hist(sample, density=True, bins=50, alpha=0.5)
>>> plt.show()
../../_images/scipy-stats-Normal-plot-1_00_00.png

在左尾绘制 logpdf(x) 作为 x 的函数,其中 CDF 的对数在 -10 和 np.log(0.5) 之间。

>>> X.plot('x', 'logpdf', t=('logcdf', -10, np.log(0.5)))
>>> plt.show()
../../_images/scipy-stats-Normal-plot-1_01_00.png

绘制正态分布的 PDF 作为 CDF 的函数,用于标度参数的各种值。

>>> X = stats.Normal(mu=0., sigma=[0.5, 1., 2])
>>> X.plot('cdf', 'pdf')
>>> plt.show()
../../_images/scipy-stats-Normal-plot-1_02_00.png