Python如何拟合正态分布曲线
用户关注问题
怎样使用Python估计正态分布的参数？
我有一组数据，想知道如何用Python来估计正态分布的均值和标准差？
用Python估计正态分布参数的方法
在Python中，可以使用SciPy库的stats模块里的norm.fit方法来估计正态分布的参数。这个方法接受你的数据数组作为输入，返回对应的均值和标准差。示例代码如下：
from scipy import stats
import numpy as np
data = np.array([...]) # 替换为你的数据
mu, std = stats.norm.fit(data)
print(f"估计的均值: {mu}, 标准差: {std}")
如何用Python绘制拟合后的正态分布曲线？
我已经得到数据的均值和标准差，想用Python绘制对应的正态分布曲线，该怎么做？
使用Matplotlib绘制拟合的正态分布曲线
可以借助Matplotlib和NumPy，先生成一组连续的x值，再用scipy.stats.norm.pdf计算对应的概率密度函数值，最后绘制曲线。例如：
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
mu, std = 0, 1 # 替换为你的估计值
x = np.linspace(mu - 4*std, mu + 4*std, 1000)
pdf = norm.pdf(x, mu, std)
plt.plot(x, pdf, label='拟合的正态分布曲线')
plt.legend()
plt.show()
如何验证数据是否适合用正态分布拟合？
我想知道我的数据是不是可以用正态分布来拟合，有什么Python方法可以做假设检验？
使用正态性检验判断数据适合度
可以使用Python的SciPy库中的正态性检验方法，如Shapiro-Wilk检验、Kolmogorov-Smirnov检验或Anderson-Darling检验。示例是Shapiro检验：
from scipy import stats
stat, p = stats.shapiro(data)
if p > 0.05:
print("数据符合正态分布假设")
else:
print("数据不符合正态分布假设")
p值大于0.05时，表示无足够证据拒绝数据为正态分布的假设。