### Python `fitter` 库的分布函数使用方法 #### 安装依赖包 为了能够顺利运行关于不同概率分布拟合的例子，需要先安装必要的库。可以通过 pip 工具来完成安装。 ```bash pip install fitter seaborn pandas matplotlib numpy scipy ``` #### 加载所需模块并准备测试数据集 下面这段代码展示了如何加载所需的Python库以及创建一个用于演示的数据样本： ```python import numpy as np from fitter import Fitter, get_common_distributions # 导入Fitter类和获取常见分布的方法 np.random.seed(1234) # 设置随机种子以便于重现结果 data = np.random.gamma(6, 4, 8000) + np.random.normal(-2, .75, 8000) # 创建混合分布的数据集[^1] ``` #### 初始化Fitter对象并对数据进行拟合 通过调用`Fitter()`构造器初始化一个新的Fitter实例，并传入之前生成的数据数组作为参数。还可以指定想要尝试匹配的具体统计分布名称列表；如果不提供，则默认会对多种常见的连续型分布执行拟合操作。 ```python f = Fitter(data, distributions=get_common_distributions()) # 如果已知可能的分布类型，可以直接在这里指明，比如 ['gamma', 'norm'] f.fit() ``` #### 查看最佳拟合的结果 一旦完成了对输入数据的最佳拟合过程之后，就可以查看哪些分布最接近实际观测到的数据模式了。这一步骤提供了几种不同的方式来评估模型的好坏程度，其中一种简单直观的方法就是打印出排名前几位的可能性最高的候选分布及其对应的参数估计值。 ```python print(f.summary()) ``` 上述命令将会输出一系列有关各个被考虑过的分布的信息表格，包括但不限于AIC准则得分、BIC准则得分等指标帮助判断哪个分布最适合当前给定的数据集。 #### 绘制图形比较原始直方图与理论PDF曲线 最后，绘制图表对比实验观察得到的经验频率密度（即直方图）同理论上由选定分布产生的概率密度函数之间的差异情况，从而更清晰地理解两者间的相似性和区别之处。 ```python plt.figure(figsize=(10, 8)) for dist_name in list(f.df_errors.index): arg = dict(zip(f.fitted_param[dist_name], f.fitted_param[dist_name])) pdf_fitted = eval('st.' + dist_name).pdf(np.linspace(min(data), max(data), len(data)), **arg) plt.plot(pdf_fitted, label=dist_name) plt.hist(data, bins=50, density=True, alpha=.6, color='g') plt.legend(loc='best', frameon=False) plt.show() ``` 此段脚本遍历所有经过检验后的分布名，并针对每一个分别计算其对应位置处的概率密度值，进而画出各自的PDF线形轨迹。与此同时，在同一张图上叠加显示原数据点构成的柱状结构，使得读者可以轻易看出哪条曲线更加贴近真实的样本特征表现形式。