python计算概率分布,Python数据分析集训 cda

　　假设你知道数据的分布，也就是数据的pdf，scipy在计算cdf时支持离散数据导入numpy作为np。

　　导入脚本

　　将matplotlib.pyplot作为plt导入

　　将seaborn作为sns导入

　　x=NP . random . randn(10000)generatesamplesfromnormaldistribution(离散数据))).

　　norm _ CDF=scipy . stats . norm . CDF(x)#计算cdf -也是离散的

　　#绘制cdf

　　SNS.lineplot(x=x，y=norm_cdf))))).

　　plt.show())

　　还可以打印cdf的前几个值，以表明它们是离散打印的(norm_CDF[:10])。

　　数组(0.39216484、0.09554546、0.71268696、0.50066、0.50053606

　　0.37920836、0.86010018、0.9191937、0.46374527、0.4576634]

　　类似的cdf计算方法也适用于多维度。下面用二维数据来说明mu=NP。零(2) #平均向量。

　　cov=NP.array ([ 1，0.6，[ 0.6，1 ] ) #协方差矩阵

　　# generate 2d normally distributed samples使用0 means和ecovariancematrixabove

　　x=NP . random . multivarial _ normal(mean=mu，cov=cov，size=1000 ) # 1000个样本

　　norm _ CDF=scipy . stats . norm . CDF(x(

　　Print (norm _ CDF.shape))。

　　(1000,2 ) )。

　　在上面的例子中，我事先知道我的数据是正态分布的。这就是为什么使用scipy.stats.norm())的原因——scipy支持多种发行版。但是，要使用这些函数，您必须事先知道数据是如何分布的。如果不知道数据是如何分布的，用什么分布来计算cdf，很可能会产生不准确的结果。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。