Python中scipy.stats.norm正态分布函数的使用指南

scipy.stats.norm 函数概述与公式原理

scipy.stats.norm 用于实现连续型正态分布的概率计算。其标准概率密度函数（PDF）数学表达式为：

在代码调用中，norm.pdf(x, loc, scale) 的计算逻辑等效于先将原始值归一化：y = (x - loc) / scale，再代入标准正态分布密度函数除以尺度参数，即 norm.pdf(y) / scale。其中 loc 对应分布的均值（mean），scale 对应标准差（standard deviation）。

核心调用方法与操作步骤

第1步：安装必要依赖库

执行该功能需提前配置好数据分析环境。若尚未安装相关包，可在终端或 Notebook 中运行以下命令：

pip install scipy numpy matplotlib

第2步：选择 API 风格生成概率分布图

SciPy 提供了两种等效的调用路径，可根据代码可读性需求自由选择：

• 实例化冻结分布（Frozen Distribution）：先固定 loc 和 scale 生成对象，后续直接对对象调用 .pdf() 等方法。适合需要在多处复用同一分布参数的场景。
• 直接类方法调用：不创建中间对象，每次调用时显式传入参数。适合一次性计算或参数频繁变动的场景。

配合 matplotlib 可直观验证两种方式的输出一致性，并同步观察概率密度曲线与随机抽样数据的区别。示例代码如下：

from scipy import stats
import numpy as np
import matplotlib.pyplot as plt

plt.figure(figsize=(12, 8))
x = np.linspace(-5, 5, num=20)

# 第1种调用方式：冻结分布状态
gauss1 = stats.norm(loc=0, scale=2)  # loc控制均值(mean)，scale控制标准差(std)
gauss2 = stats.norm(loc=1, scale=3)
y1 = gauss1.pdf(x)
y2 = gauss2.pdf(x)

plt.subplot(2, 2, 1)
plt.plot(x, y1, color='orange', label='μ=0,σ=2')
plt.plot(x, y2, color='green', label='μ=1,σ=3')
plt.legend(loc='upper right')

# 第2种调用方式：直接调用类方法
gauss2_sub = plt.subplot(2, 2, 2)
y1_direct = stats.norm.pdf(x, loc=0, scale=2)
y2_direct = stats.norm.pdf(x, loc=1, scale=3)

plt.plot(x, y1_direct, color='red', label='μ=0,σ=2')
plt.plot(x, y2_direct, color='blue', label='μ=1,σ=3')
plt.legend(loc='upper right')

# 对比 rvs（随机抽样）与 pdf 的输出差异
# 子图3：未排序的随机样本
plt.subplot(2, 2, 3)
y1_rvs = stats.norm.rvs(loc=0, scale=2, size=20)
y2_rvs = stats.norm.rvs(loc=1, scale=3, size=20)
plt.plot(x, y1_rvs, color='black', linestyle=':', label='μ=0,σ=2')
plt.plot(x, y2_rvs, color='purple', label='μ=1,σ=3')
plt.legend(loc='upper right')

# 子图4：排序后的随机样本
plt.subplot(2, 2, 4)
y1_sorted = sorted(stats.norm.rvs(loc=0, scale=2, size=20))
y2_sorted = sorted(stats.norm.rvs(loc=1, scale=3, size=20))
plt.plot(x, y1_sorted, color='black', linestyle=':', label='μ=0,σ=2')
plt.plot(x, y2_sorted, color='purple', label='μ=1,σ=3')
plt.legend(loc='upper right')

plt.tight_layout()
plt.show()

第3步：确认运行结果与参数含义

上述脚本将生成包含四个子图的可视化面板。左侧两幅子图展示的是 stats.norm.pdf 的连续概率密度分布曲线，右侧两幅子图展示的是 stats.norm.rvs 提取的离散随机变量样本。其中 rvs（random variates）表示从目标分布中抽取的具体数值，而非密度曲线。

当使用冻结分布对象时，控制台打印该对象会返回类似 <scipy.stats._distn_infrastructure.rv_frozen object at ...> 的内部标识。调用 stats.norm.rvs(loc=0, scale=2, size=10) 则会直接返回一组符合 N(0, 2²) 分布的浮点数列表，可用于后续蒙特卡洛模拟或分布检验。

stats.norm 核心公共方法对照

• rvs(loc, scale, size)：生成服从该正态分布的随机样本数组。
• pdf(x, loc, scale)：计算指定位置的概率密度值（Probability Density Function）。
• cdf(x, loc, scale)：计算累计分布函数，返回 X ≤ x 的累积概率。
• sf(x, loc, scale)：计算残存函数，结果为 1 - CDF，常用于处理极左尾的高精度计算。
• ppf(q, loc, scale)：分位数函数（CDF 的反函数），输入概率值返回对应的横坐标临界点。
• isf(q, loc, scale)：逆残存函数（SF 的反函数），等价于 ppf(1-q)。
• stats(loc, scale, moments)：批量返回统计特征，moments 参数可组合使用 m(均值)、v(方差)、s(偏度)、k(峰度)。
• moment(n, loc, scale)：计算指定阶数的非中心矩。

总结

掌握 scipy.stats.norm 的两种调用范式及其核心统计方法，能够显著提升 Python 环境下分布建模与假设检验的开发效率。注意区分连续密度计算（pdf/cdf/ppf）与离散抽样（rvs）的应用边界，即可准确支撑各类统计分析任务。以上就是scipy.stats.norm正态分布函数使用指南的详细内容，更多关于Python统计学与数据分析的资料请关注本站其它相关文章！