为了了解（正态）分布的方法和属性，我们首先引入norm
代码语言：javascript复制 from scipy.stats import norm
rv = norm()
dir(rv) # reformatted
[‘__class__', ‘__delattr__', ‘__dict__', ‘__doc__', ‘__getattribute__',
‘__hash__', ‘__init__', ‘__module__', ‘__new__', ‘__reduce__', ‘__reduce_ex__',
‘__repr__', ‘__setattr__', ‘__str__', ‘__weakref__', ‘args', ‘cdf', ‘dist',
‘entropy', ‘isf', ‘kwds', ‘moment', ‘pdf', ‘pmf', ‘ppf', ‘rvs', ‘sf', ‘stats']其中，连续随机变量的主要公共方法如下：
rvs: Random Variates pdf: Probability Density Function cdf: Cumulative Distribution Function sf: Survival Function (1-CDF) ppf: Percent Point Function (Inverse of CDF) isf: Inverse Survival Function (Inverse of SF) stats: Return mean, variance, (Fisher’s) skew, or (Fisher’s) kurtosis moment: non-central moments of the distribution
rvs:随机变量
pdf：概率密度函。
cdf：累计分布函数
sf：残存函数（1-CDF）
ppf：分位点函数（CDF的逆）
isf：逆残存函数（sf的逆）
stats:返回均值，方差，（费舍尔）偏态，（费舍尔）峰度。
moment:分布的非中心矩。
我们以cdf为例：
代码语言：javascript复制 norm.cdf(0)
0.5
norm.mean(), norm.std(), norm.var()
(0.0, 1.0, 1.0)重点来了，cdf的逆竟然也可以求，这个方法就是ppf
norm.ppf(0.5) 0.0
离散分布中，pdf被更换为密度函数pmf，而cdf的逆也有所不同：
ppf(q) = min{x : cdf(x) = q, x integer}
此外，fit可以求分布参数的极大似然估计，包括location与scale，nnlf可以求负对数似然函数，expect可以计算函数pdf或pmf的期望值。
以上这篇在python中求分布函数相关的包实例就是小编分享给大家的全部内容了，希望能给大家一个参考。
