python 為直方圖繪制擬合曲線

    def normfun(self, x, mu, sigma):
        """
        正態分布的概率密度函數
        :param x: 數據集中的某一具體測量值
        :param mu: 數據集的平均值，反映測量值分布的集中趨勢
        :param sigma: 數據集的標准差，反映測量值分布的分散程度
        :return:
        """
        pdf = np.exp(-((x - mu) ** 2) / (2 * sigma ** 2)) / (sigma * np.sqrt(2 * np.pi))
        return pdf

    def draw(self, name, data):
        mean = np.mean(data)  # 計算均值
        std = np.std(data)  # 計算方差
        data1 = [(x-mean)/std for x in data]  # z-score標准化方法(數據標准化)
        num_bins = 100  # 直方圖柱子的數量
        plt.figure(figsize=(20, 8))
                            # data數據  num_bins柱子個數 range取值范圍[-3.3] rwidth柱子寬度
        n, bins, patches = plt.hist(data1, num_bins, range=[-5, 5], rwidth=0.8, density=0.9, facecolor='blue', alpha=0.5)
        # 直方圖函數，x為x軸的值，density=1表示為概率密度，即和為一，綠色方塊，色深參數0.5.返回n個概率，直方塊左邊線的x值，及各個方塊對象
        # print(bins)
        y = self.normfun(bins, np.mean(data1), np.std(data1))  # 擬合一條最佳正態分布曲線（方程）y  代替品 ——>>> from scipy.stats import norm  y = norm.pdf(bins, mu, sigma)
        plt.plot(bins, y, 'r--')  # 繪制y的曲線
        plt.xlabel('sepal-length')  # 繪制x軸
        plt.ylabel('Probability')  # 繪制y軸
        plt.title(r'{}  $\mu={}$,$\sigma={}$'.format(name, mean, std))  # 標題
        plt.subplots_adjust(left=0.15)  # 左邊距

        out_file = 'out_pic/%s.png' % name
        plt.savefig(out_file, transparent=True, bbox_inches='tight', dpi=200, pad_inches=0.0, set_visiable=False,
                    format='png')
        print('畫圖完成 %s' % out_file)
        # plt.show()

 

 

屬性	說明	類型
x	數據	數值類型
bins	條形數	int
color	顏色	"r","g","y","c"
density	是否以密度的形式顯示	bool
range	x軸的范圍	數值元組（起，終）
bottom	y軸的起始位置	數值類型
histtype	線條的類型	"bar":方形，"barstacked":柱形, "step":"未填充線條" "stepfilled":"填充線條"
align	對齊方式	"left":左，"mid":中間，"right":右
orientation	orientation	"horizontal":水平，"vertical":垂直
log	單位是否以科學計術法	bool

          



參考：計算標准化   https://www.cnblogs.com/yahengwang/p/10634010.html