如果
我们有数组a=range(10)。使用numpy.histogram:
hist,bins=numpy.histogram(a,bins=(np.max(a)-np.min(a))/1, range=np.min(a),np.max(a)),density=True)
根据numpy教程:
如果density=True，则结果是在bin处的概率密度函数的值，其归一化使得在范围内的积分为1。
结果是:
array([ 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.2])
我试着用scipy.stats做同样的事情:
mean = np.mean(a)
sigma = np.std(a)
norm.pdf(a, mean, sigma)
但是结果是不同的:
array([ 0.04070852, 0.06610774, 0.09509936, 0.12118842, 0.13680528,0.13680528, 0.12118842, 0.09509936, 0.06610774, 0.04070852])
我想知道为什么。
更新:我想设置一个更一般的问题。
density=True不使用numpy.histogram，我们如何得到数组的概率密度函数?如果density=True，则结果为概率密度的值函数，归一化，使得在范围为1.
这里的"标准化"并不意味着它将使用正态分布进行转换。它简单地说，每个值都将除以条目的总数，这样总密度将等于1。
不能比较numpy.histogram()和scipy.stats.norm()，原因如下:
scipy.stats.norm()是一个正常的连续的随机变量，而numpy.histogram()处理序列(不连续的)
从直方图绘制连续概率函数(PDF) -用Python解决。有关详细解释，请参阅此博客。(http://howdoudoittheeasiestway.blogspot.com/2017/09/plotting-continuous-probability.html)否则你可以使用下面的代码
n, bins, patches = plt.hist(A, 40, histtype='bar')
plt.show()
n = n/len(A)
n = np.append(n, 0)
mu = np.mean(n)
sigma = np.std(n)
plt.bar(bins,n, width=(bins[len(bins)-1]-bins[0])/40)
y1= (1/(sigma*np.sqrt(2*np.pi))*np.exp(-(bins - mu)**2 /(2*sigma**2)))*0.03
plt.plot(bins, y1, 'r--', linewidth=2)
plt.show()