将上段代码编写成一个函数

你可以将上述代码封装到一个函数中，以便于复用。下面是一个例子：

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

def plot_discrete_distribution(N1_data, sample_size=15000):
    """
    函数用于绘制N1数据的离散点图，包括原始数据和剔除粗大误差值后的对比

    参数:
    N1_data (numpy.ndarray): 大数组，包含所有待分析的数据
    sample_size (int, optional): 抽取的样本文本，默认为15000

    返回:
    None (直接绘制图形)

    """
    # 随机抽取样本数据
    data = np.random.choice(N1_data, size=sample_size)
    
    # 绘制原始数据点图
    plt.scatter(range(len(data)), data, color = 'blue', label = '原始数据')

    # 计算并移除粗大误差值
    data_points_y = data
    outliers = stats.zscore(data) > 3  # 使用z-score判断异常值
    data_cleaned = data[~outliers]
    
    # 剔除异常值后绘图
    plt.scatter(range(len(data_cleaned)), data_cleaned, color = 'orange', label = '剔除误差值后数据')

    # 设置图表属性
    plt.title('N1数据离散点图对比')
    plt.ylabel('N1')
    plt.legend(prop={'family': 'Simsun'}, loc='lower right')

    # 显示图形
    plt.show()

# 调用函数，传递你的N1_data
plot_discrete_distribution(N1_data)

在这个函数中，我们把数据处理和绘图的操作合并在一起，通过输入大数组`N1_data`和可选的抽样大小`sample_size`，可以方便地对不同的数据集进行相同的分析。