Python做数据正态拟合

在Python中，可以使用SciPy库中的stats模块来进行数据的正态分布拟合。具体步骤如下：

1. 导入所需的库

import numpy as np
from scipy.stats import norm
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

2. 准备数据

准备需要拟合的数据，假设数据存储在一个Numpy数组中。

data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

3. 定义正态分布函数

def normal_distribution(x, mu, sigma):
    return 1/(sigma*np.sqrt(2*np.pi))*np.exp(-0.5*((x-mu)/sigma)**2)

4. 进行拟合

使用curve_fit函数进行数据拟合。

popt, pcov = curve_fit(normal_distribution, data, density=True)

其中popt是拟合函数的参数，pcov是协方差矩阵。

5. 绘制拟合结果

使用matplotlib库绘制拟合结果：

plt.hist(data, bins=10, density=True)
plt.plot(np.arange(0, 11, 0.1), normal_distribution(np.arange(0, 11, 0.1), *popt), 'r')
plt.show()

其中，np.arange(0, 11, 0.1)生成了一系列x坐标，用来绘制拟合曲线。*popt表示将popt元组中的参数解包作为函数的参数传入。

完整代码如下：

import numpy as np
from scipy.stats import norm
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

def normal_distribution(x, mu, sigma):
    return 1/(sigma*np.sqrt(2*np.pi))*np.exp(-0.5*((x-mu)/sigma)**2)

popt, pcov = curve_fit(normal_distribution, data, density=True)

plt.hist(data, bins=10, density=True)
plt.plot(np.arange(0, 11, 0.1), normal_distribution(np.arange(0, 11, 0.1), *popt), 'r')
plt.show()