根据概率密度函数（PDF）计算累计分布函数（CDF） 画图展示 提示：integral=np.trapz(y)可以计算一维数组y的积分 CDF的长度与PDF的长度一致，需要循环计算积分，一段一段

根据概率密度函数（PDF），也称为密度函数，是用来描述随机变量取值的概率分布情况的函数。对于连续型随机变量，CDF（累积分布函数）是PDF的重要衍生，它表示随机变量小于等于某个特定值的概率。

计算CDF通常涉及对PDF进行积分。对于一维的PDF数据`y`，你可以通过numpy库中的`trapz()`函数逐段计算每个值对应的区间累积概率。这个函数会计算等宽度矩形面积（如果`y`是每单位区间的概率，则面积即概率），并将其累加起来得到CDF值。

以下是步骤概述：

1. 首先，确保PDF `y` 和对应的x值（概率值的分界点）已经准备就绪。
2. 初始化一个空列表来存储CDF值，其长度与PDF相同。
3. 使用`for`循环遍历PDF数组，将每个`y[i]`乘以区间的宽度`dx`（通常是均匀的），然后用`np.trapz(y[:i+1])`计算到当前点的累积积分，添加到CDF列表中。
4. 如果PDF是左闭右开的区间（例如标准正态分布），则在第一个元素前加上0；如果是左开右闭的区间，则不用处理首项。
5. 循环结束后，CDF列表就包含了所有数值对应的概率。

import numpy as np

# 假设你有PDF数据 y 和对应的x值 x_values
dx = x_values[1] - x_values[0]  # 区间宽度
cdf_values = [0]  # 初始化，假设第一个值为0

for i in range(len(y)):
    cdf_values.append(np.trapz(y[:i+1], x=x_values[:i+1]))  # 计算到第i+1个点的累积积分

# 现在cfd_values是一个CDF数组，它的长度与PDF相同