前言
做算法的过程中，可能会遇到概率密度分布等知识，这里补一下对应的scipy这块的使用
主要是from scipy.stats import norm
对应的也是 正态分布（高斯分布）
https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.norm.html
正态分布公式为：
图形大概长这样：
这个图就是概率密度
这里说几个名词
随机变量（包括离散随机变量 + 连续随机变量）
概率密度函数(Probability Density Functions - PDF)
累积分布函数(Cumulative Distribution Functions - CDF)
具体可以看这篇文章，用一些小例子来说明的很好理解（抛硬币） https://blog.csdn.net/neweastsun/article/details/124191560
概率密度函数（PDF）和累积分布函数（CDF）以及scipy.stats.norm使用
代码
from scipy.stats import norm 里提供了对应的pdf和cdf的功能
from scipy.stats import norm
import numpy as np
import matplotlib.pyplot as plt
fig, ax = plt.subplots(1, 2)
x = np.linspace(norm.ppf(0.0001),
norm.ppf(0.9999), 100)
print(x)
rv = norm()
ax[0].bar(x, rv.pdf(x), width=0.01, label='pdf')
ax[0].set_xticks([-3, -2, -1, 0, 1, 2, 3])
ax[0].set_yticks([0.0, 0.1, 0.2, 0.3, 0.4])
ax[0].set_title("pdf")
ax[1].plot(x, rv.cdf(x), '-^', linewidth=1, label='cdf', markersize=2)
ax[1].set_xticks([-3, -2, -1, 0, 1, 2, 3])
ax[1].set_yticks(np.linspace(0.0, 1.0, 5))
ax[1].set_title("cdf")
plt.show()结果：
左侧是概率密度分布图（0左右为峰值，两侧依次下降，并高度对称），右侧是累积分布图（最大值为1， 范围为0-1）
为了画这幅图我们需要原始的数据（其实就是pdf和cdf图像的x轴数据），可以通过ppf的方式来进行获取，ppf是cdf的反向计算，相当于给予一个累积分位点（0到1， 0接近pdf图的最左侧，1接近pdf的图的最右侧），返回对应的x值。
推荐阅读：
公众号：AI蜗牛车
保持谦逊、保持自律、保持进步
发送【蜗牛】获取一份《手把手AI项目》（AI蜗牛车著）
发送【1222】获取一份不错的leetcode刷题笔记
发送【AI四大名著】获取四本经典AI电子书