scipy.stats.Normal.

plot#

Normal.plot(x='x', y='pdf', *, t=('cdf', 0.0005, 0.9995), ax=None)[源代码]#

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，可选: 字符串，指示分别用作横坐标和纵坐标（水平和垂直坐标）的量。默认为 'x' （随机变量的域）和 'pdf' （概率密度函数）。有效值为：'x'，'pdf'，'cdf'，'ccdf'，'icdf'，'iccdf'，'logpdf'，'logcdf'，'logccdf'，'ilogcdf'，'ilogccdf'。
t3元组（str，float，float），可选: 元组，指示绘制数量的限制。默认为 ('cdf', 0.001, 0.999)，表示要显示分布的中心 99.9%。有效值为：'x'，'cdf'，'ccdf'，'icdf'，'iccdf'，'logcdf'，'logccdf'，'ilogcdf'，'ilogccdf'。
axmatplotlib.axes，可选: 要在其上生成绘图的轴。如果未提供，则使用当前轴。

返回:

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% 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()

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()

对于不同的尺度参数值，绘制正态分布的 PDF 作为 CDF 的函数。

>>> X = stats.Normal(mu=0., sigma=[0.5, 1., 2])
>>> X.plot('cdf', 'pdf')
>>> plt.show()