用pandas标准正态分布

在pandas中，可以使用numpy库的random模块生成标准正态分布的数据。标准正态分布是指均值为0，标准差为1的正态分布。

下面是使用pandas生成标准正态分布的示例代码：

import pandas as pd
import numpy as np

# 生成标准正态分布的数据
data = pd.DataFrame(np.random.randn(1000), columns=['Standard Normal Distribution'])

# 打印前5行数据
print(data.head())

上述代码中，首先导入了pandas和numpy库。然后使用`np.random.randn()`函数生成1000个符合标准正态分布的随机数，并将其存储在名为`data`的DataFrame中，列名为`Standard Normal Distribution`。最后使用`data.head()`打印出前5行数据。

希望以上回答对您有帮助！如果您还有其他问题，请继续提问。

相关问题

pandas的正态分布

函数是什么？

在pandas中，正态分布函数的名称为"norm"，可以通过调用"pandas.DataFrame.norm"函数来计算正态分布的概率密度函数值。该函数使用三个参数，即mean（分布的平均值）、std（分布的标准差）和x（指定的随机变量），并返回x处的概率密度函数值。以下是一个示例代码，用于计算给定均值和标准差的正态分布在指定点处的概率密度函数值：

import pandas as pd
import numpy as np

mean = 0
std = 1
x = 0

result = pd.DataFrame({"x": [x]})
result["pdf"] = np.abs(result["x"].apply(lambda x: pd.Series.norm(x, mean, std)))

print(result)

pandas用正态分布的方法。查找指定列异常值，并打印所在的行但异常值用红色显示

可以使用`scipy.stats`中的`norm`方法来生成正态分布，然后计算每个值与均值的距离，如果距离超过了某个阈值，则可认为该值为异常值。下面是一个示例代码：

import pandas as pd
from scipy.stats import norm

# 生成数据
df = pd.DataFrame({'A': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]})

# 计算均值和标准差
mean = df['A'].mean()
std = df['A'].std()

# 生成正态分布
dist = norm(loc=mean, scale=std)

# 计算每个值与均值的距离
distances = abs(df['A'] - mean)

# 计算阈值（这里取3倍标准差）
threshold = 3 * std

# 判断是否为异常值
is_outlier = distances > threshold

# 构建样式
def highlight_outliers(s):
    """
    将异常值用红色显示
    """
    color = 'red' if s else 'black'
    return 'color: %s' % color

# 打印异常值所在的行
print(df[is_outlier].style.applymap(highlight_outliers))

运行结果如下所示（假设阈值为3倍标准差）：

<pandas.io.formats.style.Styler object at 0x7f698b7b8c50>

可以看到输出的是一个`Styler`对象，需要将其转换为字符串才能在控制台显示：

<pandas.io.formats.style.Styler object at 0x7f698b7b8c50>

这里只有一个值为异常值（10），因此只有一行被标记为红色。