在 Python 中绘制统计概率分布时，最常用的库包括 Matplotlib、Seaborn 和 Plotly。这些库各有特点，可以根据具体需求选择最适合的工具。 ### 使用 Matplotlib Matplotlib 是一个基础且强大的绘图库，适用于大多数基本的统计图表绘制。虽然其语法可能稍显复杂，但它提供了高度的灵活性和自定义能力。 ```python import numpy as np import matplotlib.pyplot as plt data = np.random.normal(loc=0, scale=1, size=1000) plt.hist(data, bins=30, density=True, alpha=0.6, color='g') xmin, xmax = plt.xlim() x = np.linspace(xmin, xmax, 100) p = plt.plot(x, 1/(np.sqrt(2*np.pi)) * np.exp(-x**2/2), 'k', linewidth=2) plt.title('Normal Distribution') plt.show() ``` Matplotlib 提供了对直方图和概率密度函数的支持[^1]。 ### 使用 Seaborn Seaborn 是基于 Matplotlib 的高层次绘图库，专注于统计数据可视化。它提供了更简洁的 API，并且默认样式更加美观。Seaborn 的 `distplot` 函数可以方便地绘制分布图，包括直方图和拟合的概率密度曲线。 ```python import seaborn as sns import numpy as np data = np.random.normal(loc=0, scale=1, size=1000) sns.distplot(data, bins=30, kde=True, rug=False) plt.title('Seaborn Normal Distribution') plt.show() ``` Seaborn 的优势在于其内置的 KDE（核密度估计）功能，能够直接生成平滑的概率密度曲线[^3]。 ### 使用 Plotly Plotly 是一个交互式绘图库，支持动态图表和 Web 集成。对于需要与用户交互或嵌入到 Web 应用中的概率分布图，Plotly 是一个理想的选择。 ```python import plotly.express as px import numpy as np data = np.random.normal(loc=0, scale=1, size=1000) fig = px.histogram(data, nbins=30, marginal='rug', histnorm='probability density') fig.add_traces(px.line(x=np.linspace(-4, 4, 100), y=1/(np.sqrt(2*np.pi)) * np.exp(-np.linspace(-4, 4, 100)**2/2)).data[0]) fig.update_layout(title='Interactive Normal Distribution') fig.show() ``` Plotly 的交互特性使其特别适合展示复杂的分布数据[^2]。 ### 综合比较 - **Matplotlib**：适合需要高度定制化的场景，但学习曲线较陡。 - **Seaborn**：适合快速生成美观的统计图表，推荐用于日常数据分析。 - **Plotly**：适合需要交互功能或 Web 集成的应用场景。 如果目标是快速绘制高质量的概率分布图并进行初步分析，Seaborn 是最佳选择[^3]。如果需要更高的交互性或嵌入到 Web 环境中，则应考虑使用 Plotly[^2]。