时间戳

首页 > 解决方案 > norm.fit 在 scipy 中有什么意义？

python - norm.fit 在 scipy 中有什么意义？

问题描述

我生成一个随机数据样本并使用 scipy.stats.norm.fit 绘制其 pdf 以生成我的 loc 和 scale 参数。

我想看看如果我只是使用 numpy 计算平均值和标准值而没有任何实际拟合，我的 pdf 看起来会有多么不同。令我惊讶的是，当我绘制两个 pdf 并打印两组 mu 和 std 时，我得到的结果完全相同。所以我的问题是，如果我可以计算样本的均值和标准值并且仍然得到相同的结果，那么 norm.fit 的意义何在？

这是我的代码：

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

data = norm.rvs(loc=0,scale=1,size=200)

mu1 = np.mean(data)

std1 = np.std(data)

print(mu1)
print(std1)

mu, std = norm.fit(data)

plt.hist(data, bins=25, density=True, alpha=0.6, color='g')

xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = norm.pdf(x, mu, std)
q = norm.pdf(x, mu1, std1)
plt.plot(x, p, 'k', linewidth=2)
plt.plot(x, q, 'r', linewidth=1)
title = "Fit results: mu = %.5f,  std = %.5f" % (mu, std)
plt.title(title)

plt.show()

这是我得到的结果：

一组随机值的pdf

mu1 = 0.034824979915482716

标准 1 = 0.9945453455908072

标签： pythonscipystatisticsscipy.stats

解决方案

关键是除了正态分布之外还有其他几种分布。Scipy 提供了一个一致的 API，用于从数据中学习这些分布的参数。（想要指数分布而不是正态分布？它是scipy.stats.expon.fit。）

所以当然，你的方法也有效，因为正态分布的参数恰好是平均值和标准差。但这是关于提供跨发行版的一致接口，包括那些不正确的发行版。

推荐阅读