假设您知道数据的分布方式，即数据的pdf，则scipy在计算cdf时支持离散数据import numpy as np
导入脚本
import matplotlib.pyplot as plt
import seaborn as sns
x=NP.random.randn(10000 ) generatesamplesfromnormaldistribution (discrete data ) ) ) )。
norm _ CDF=scipy.stats.norm.CDF (x ) # calculate the cdf - also discrete
# plot the cdf
SNS.lineplot(x=x，y=norm_cdf ) ) ) ) )。
plt.show () )
您也可以打印cdf的前几个值，以指示它们是离散打印(norm_CDF[:10] )。
Array(0.39216484、0.09554546、0.71268696、0.5007396、0.76484329、
0.37920836、0.86010018、0.9191937、0.46374527、0.4576634]
类似的cdf计算方法也适用于多维。 使用以下二维数据对mu=NP.Zeros(2) # mean vector进行说明
cov=NP.array ([ 1，0.6，[ 0.6，1 ] ) # covariance matrix
# generate2dnormallydistributedsamplesusing0meanandthecovariancematrixabove
x=NP.random.multivariate _ normal (mean=mu，cov=cov，size=1000 ) # 1000 samples
norm _ CDF=scipy.stats.norm.CDF (x (
打印(norm _ CDF.shape ) )。
(1000，2 ) )。
在上面的例子中，我事先知道我的数据是正态分布的。 这就是使用scipy.stats.norm () )的原因-scipy支持多种分布。 但是，要使用这些函数，必须事先知道数据是如何分布的。 如果不知道数据是如何分布的，也不知道使用什么分布来计算cdf，则很可能会产生不准确的结果。