用 scipy.stats 方法产生均值为 2 标准差为 5 的正态分布的随机整数 100 个，在 stats 方法中用参数 random_state 观察效果，并绘制累计分布函数曲线。

好的，以下是产生随机正态分布并绘制累计分布函数曲线的 Python 代码：

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

# 产生均值为 2 标准差为 5 的正态分布的随机整数 100 个
np.random.seed(0)
random_ints = stats.norm.rvs(loc=2, scale=5, size=100, random_state=0).astype(int)

# 统计随机整数的频数和累计频数
counts, bin_edges = np.histogram(random_ints, bins=10)
cdf = np.cumsum(counts) / len(random_ints)

# 绘制累计分布函数曲线
plt.plot(bin_edges[1:], cdf)
plt.xlabel('Random Integers')
plt.ylabel('Cumulative Distribution Function')
plt.title('CDF of Normally Distributed Random Integers')
plt.show()

运行结果如下图所示：


相关问题

用 scipy.stats 方法产生均值为 2 标准差为 5 的正态分布的随机整数 100 个，并绘制出对应的直方图和概率密度曲线

好的，我来为您解答这个问题。

首先，我们需要导入必要的库：

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

接着，我们可以使用 `norm.rvs()` 方法来生成均值为 2 标准差为 5 的正态分布的随机整数 100 个：

mean = 2
std = 5
size = 100
data = norm.rvs(loc=mean, scale=std, size=size).astype(int)

这里，`loc` 参数指定分布的均值，`scale` 参数指定分布的标准差，`size` 参数指定随机整数的个数，`.astype(int)` 方法将随机数转化为整数类型。

接着，我们可以使用 `plt.hist()` 方法来绘制直方图：

plt.hist(data, bins=10, density=True, alpha=0.6, color='g')
plt.title('Histogram of Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Frequency')

这里，`bins` 参数指定直方图的柱子数量，`density` 参数指定是否绘制概率密度曲线，`alpha` 参数指定柱子的透明度，`color` 参数指定柱子的颜色。

最后，我们可以使用 `norm.pdf()` 方法来绘制概率密度曲线：

x = np.linspace(mean - 3*std, mean + 3*std, 100)
plt.plot(x, norm.pdf(x, mean, std), 'r-', lw=2)
plt.show()

这里，`x` 是横坐标，`norm.pdf()` 方法用于计算概率密度值。

完整的代码如下：

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

mean = 2
std = 5
size = 100
data = norm.rvs(loc=mean, scale=std, size=size).astype(int)

plt.hist(data, bins=10, density=True, alpha=0.6, color='g')
plt.title('Histogram of Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Frequency')

x = np.linspace(mean - 3*std, mean + 3*std, 100)
plt.plot(x, norm.pdf(x, mean, std), 'r-', lw=2)

plt.show()

运行后，会得到一张包含直方图和概率密度曲线的图形，如下所示：


用 numpy 方法产生标准正态分布的随机数 100 个，并将其转换成 10 行 10 列的数据矩阵，绘制出 bins=10 的直方图，多次运行程序观察图形的效果； 然后利用种子方法产生同样的随机数，再观察数据以及直方图的效果。 同样地，用 scipy.stats 方法产生以上的随机数，并绘制出对应的直方图， 在 stats 方法中用参数 random_state 观察效果，并将正态分布的累计分布函数曲线绘制出来。

好的，以下是代码实现：

使用 numpy 产生标准正态分布的随机数 100 个，并将其转换成 10 行 10 列的数据矩阵，绘制出 bins=10 的直方图，多次运行程序观察图形的效果：

import numpy as np
import matplotlib.pyplot as plt

# 产生标准正态分布的随机数 100 个
data = np.random.randn(100)

# 将其转换成 10 行 10 列的数据矩阵
data_matrix = data.reshape(10, 10)

# 绘制出 bins=10 的直方图
plt.hist(data, bins=10)
plt.show()

使用种子方法产生同样的随机数，再观察数据以及直方图的效果：

import numpy as np
import matplotlib.pyplot as plt

# 使用种子方法产生同样的随机数
np.random.seed(0)
data = np.random.randn(100)

# 将其转换成 10 行 10 列的数据矩阵
data_matrix = data.reshape(10, 10)

# 绘制出 bins=10 的直方图
plt.hist(data, bins=10)
plt.show()

使用 scipy.stats 方法产生以上的随机数，并绘制出对应的直方图， 在 stats 方法中用参数 random_state 观察效果，并将正态分布的累计分布函数曲线绘制出来：

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

# 产生标准正态分布的随机数 100 个
data = norm.rvs(size=100, random_state=0)

# 绘制出 bins=10 的直方图
plt.hist(data, bins=10)
plt.show()

# 绘制正态分布的累计分布函数曲线
x = np.linspace(-3, 3, 100)
plt.plot(x, norm.cdf(x))
plt.show()

以上就是实现代码，希望对你有帮助。