python拟合高斯分布函数

原创

mob64ca12e2f123 2024-12-02 03:59:04 ©著作权

©著作权归作者所有：来自51CTO博客作者mob64ca12e2f123的原创作品，请联系作者获取转载授权，否则将追究法律责任

使用Python拟合高斯分布函数

高斯分布（或称正态分布）是统计学中最重要的分布之一。它在自然界和社会科学中都有广泛应用，例如人的身高、考试成绩等。本文将探讨如何使用Python拟合高斯分布函数，具体示例包括生成数据、绘制直方图和拟合高斯曲线，同时我们会使用Mermaid语法绘制旅行图和状态图以辅助理解。

1. 什么是高斯分布？

高斯分布的数学表达为：

$$ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $$

其中，$\mu$是均值，$\sigma$是标准差。图像呈现为一个对称的钟形曲线。

2. 安装必要的库

在进行拟合操作之前，我们需要确保安装了numpy、matplotlib和scipy库。可以通过以下命令安装这些库：

pip install numpy matplotlib scipy

3. 生成随机数据

我们将生成符合高斯分布的随机数据，用于之后的拟合演示：

import numpy as np
import matplotlib.pyplot as plt

# 设置随机种子以确保可重复性
np.random.seed(0)

# 生成1000个高斯分布数据，均值为0，标准差为1
data = np.random.normal(loc=0, scale=1, size=1000)

# 绘制直方图
plt.hist(data, bins=30, density=True, alpha=0.6, color='g')
plt.title('Histogram of Generated Data')
plt.xlabel('Value')
plt.ylabel('Density')
plt.show()

上面的代码生成并绘制了一个符合均值为0、标准差为1的高斯分布数据的直方图。

4. 拟合高斯分布

接下来，我们使用scipy库中的norm.fit函数来拟合数据的高斯分布参数（均值和标准差）：

from scipy import stats

# 拟合数据
mu, std = stats.norm.fit(data)

# 绘制拟合的高斯曲线
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = stats.norm.pdf(x, mu, std)
plt.plot(x, p, 'k', linewidth=2)

# 显示拟合结果
title = "Fit results: mu = %.2f,  std = %.2f" % (mu, std)
plt.title(title)
plt.hist(data, bins=30, density=True, alpha=0.6, color='g')
plt.show()

在这段代码中，我们预测了数据的均值和标准差，并绘制了拟合的高斯曲线。这使得我们可以直观地比较原始数据的分布情况与拟合曲线之间的关系。

5. 数据分析的旅行过程

在整个数据分析过程中，我们可以将其视作一个旅行，具体的旅行图如下：

journey
    title 数据分析旅行
    section 数据生成
      生成随机数据: 5: 初始
    section 数据可视化
      绘制直方图: 4: 进行中
    section 数据拟合
      拟合高斯分布: 2: 完成

6. 拟合过程的状态图

在拟合高斯分布的过程中，我们可以明确地分为几个状态，如下图所示：

stateDiagram
    state "数据准备" {
        [*] --> 创建数据
        创建数据 --> 生成高斯数据完成
    }
    state "数据分析" {
        [*] --> 计算统计量
        计算统计量 --> 执行拟合
        执行拟合 --> 拟合成功
    }
    生成高斯数据完成 --> 数据分析