### 使用 Pandas 读取 CSV 文件并绘制各列数据的正态分布图 为了实现这一目标，首先需要导入必要的库，并按照给定路径加载 CSV 文件。假设该文件位于 `F:\SensorData.csv`，其中包含了时间、温度以及 XYZ 各方向的速度、位移和加速度信息。 #### 导入所需库 ```python import pandas as pd import matplotlib.pyplot as plt from scipy.stats import norm import seaborn as sns ``` #### 加载数据集 通过指定确切位置来读取 CSV 文件的内容到 DataFrame 中。 ```python data = pd.read_csv(r'F:\SensorData.csv') ``` #### 数据预览 查看前几行记录以确认数据结构是否符合预期。 ```python print(data.head()) ``` #### 正态分布检验与可视化 对于每一个感兴趣的变量（即温度、X/Y/Z轴速度/位移/加速度），执行如下操作： 1. **提取单列** 2. **拟合正态分布参数** 3. **创建直方图并与理论曲线对比** 以下是针对某一特定列的操作示范；此过程需重复应用于其他所有相关列。 ```python columns_of_interest = ['Temperature', 'Speed_X', 'Speed_Y', 'Speed_Z', 'Displacement_X', 'Displacement_Y', 'Displacement_Z', 'Acceleration_X', 'Acceleration_Y', 'Acceleration_Z'] for column in columns_of_interest: # 提取当前处理的数据列 current_data = data[column].dropna() # 移除缺失值 # 计算均值和标准差用于后续绘图 mu, std = norm.fit(current_data) # 创建图表布局 fig, ax = plt.subplots(figsize=(8, 6)) # 绘制实际频率分布柱状图 sns.histplot(current_data, kde=False, bins=50, color="blue", alpha=0.7, stat="density") # 添加最佳匹配的高斯函数线 xmin, xmax = plt.xlim() x = np.linspace(xmin, xmax, 100) p = norm.pdf(x, mu, std) plt.plot(x, p, 'k', linewidth=2) title = f"{column} Normal Distribution (μ={mu:.2f}, σ={std:.2f})" plt.title(title) plt.xlabel(column) plt.ylabel('Density') plt.show() ``` 上述脚本会依次遍历定义好的列表 `columns_of_interest` 中的各项属性名，在每次迭代过程中完成对应字段内数值序列的统计特性评估及其图形化展示[^1]。