scipy.stats包简单教程

最新推荐文章于 2025-03-13 09:31:18 发布

ICTExtr9

最新推荐文章于 2025-03-13 09:31:18 发布

阅读量2.1w

点赞数

文章标签： optimization shapes function import

本文链接：https://blog.youkuaiyun.com/ictextr9/article/details/4686713

版权

本文是关于scipy.stats包的简单教程，介绍了如何创建和自定义分布，理解loc和scale参数的作用，以及如何从教科书参数转换到scipy参数。通过实例展示了分布的PDF计算、采样和参数估计，强调了fit方法的局限性，推荐使用优化函数进行参数估计。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

by 王宇

==生成分布==
在stats包中有许多分布，比如norm、gamma、expon等。每个分布都有缺省的参数。如果要改变这些缺省参数，那么可以给这些分布带上参数：
d = stats.norm(loc=2, scale=5)
d = stats.expon(scale=5)
d = stats.gamma(3, loc=2, scale=5)
上面每一条语句都完整的设定了一个分布的所有参数。例如expon这个分布在教科书里只有一个参数/lambda，在scipy中用scale这个参数代替了/lambda，两个参数的含义并不一样。Expon用不上loc参数，在设定时就可以忽略。
gamma这个分布有三个参数，所以需要额外设定。通用的设定模式是：
rv = generic(<shape(s)>,loc=0,scale=1)

==loc、scale参数的缺省值==
在后面你调用相应的函数，比如d.pdf时，有一条语句叫做：
args, loc, scale = self._fix_loc_scale(args, loc, scale)
_fix_loc_scale来自rv_generic类，具体做法是：
        if scale is None:
            scale = 1.0
        if loc is None:
            loc = 0.0
所以，缺省的loc是0.0，缺省的scale是1.0。

==loc、scale参数的含义是==
Stats包让几乎所