為了瞭解（正態）分佈的方法和屬性，我們首先引入norm

 >>>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，連續隨機變數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:隨機變數

pdf：概率密度函。

cdf：累計分佈函式

sf：殘存函式（1-CDF）

ppf：分位點函式（CDF的逆）

isf：逆殘存函式（sf的逆）

stats:返回均值，方差，（費舍爾）偏態，（費舍爾）峰度。

moment:分佈的非中心矩。

我們以cdf為例：

 >>>norm.cdf(0)
0.5
>>>norm.mean(),norm.std(),norm.var()
(0.0,1.0,1.0)

重點來了，cdf的逆竟然也可以求，這個方法就是ppf

>>>norm.ppf(0.5)
0.0

離散分佈中，pdf被更換為密度函式pmf，而cdf的逆也有所不同：

ppf(q) = min{x : cdf(x) >= q,x integer}

此外，fit可以求分佈引數的極大似然估計，包括location與scale，nnlf可以求負對數似然函式，expect可以計算函式pdf或pmf的期望值。

以上這篇在python中求分佈函式相關的包例項就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。