要实现这个需求，可以使用`scipy.stats`库来进行高斯分布和均匀分布的拟合以及卡方检验。以下是实现该功能的Python代码： ```python import numpy as np from scipy import stats def optimal_fit_distribution(data): # 拟合高斯分布 mu, sigma = stats.norm.fit(data) gaussian_dist = stats.norm(mu, sigma) # 拟合均匀分布 a, b = stats.uniform.fit(data) uniform_dist = stats.uniform(a, b - a) # 分箱 bins = np.histogram_bin_edges(data, bins='auto') observed, _ = np.histogram(data, bins=bins) # 计算高斯分布的期望频率 expected_gaussian = gaussian_dist.cdf(bins[1:]) - gaussian_dist.cdf(bins[:-1]) expected_gaussian = expected_gaussian * len(data) # 计算均匀分布的期望频率 expected_uniform = uniform_dist.cdf(bins[1:]) - uniform_dist.cdf(bins[:-1]) expected_uniform = expected_uniform * len(data) # 进行卡方检验 chi2_gaussian, p_gaussian = stats.chisquare(observed, expected_gaussian) chi2_uniform, p_uniform = stats.chisquare(observed, expected_uniform) # 选择最优拟合分布 if p_gaussian > p_uniform: best_fit = '高斯分布' params = (mu, sigma) else: best_fit = '均匀分布' params = (a, b) return best_fit, params # 示例使用 data = np.random.normal(0, 1, 1000) best_fit, params = optimal_fit_distribution(data) print(f"最优拟合分布: {best_fit}") print(f"分布参数: {params}") ``` 上述代码定义了一个名为`optimal_fit_distribution`的函数，它接受一个一维数组`data`作为输入，使用高斯分布和均匀分布对输入数据进行拟合，通过卡方检验来判定这两种分布的拟合优度，最后输出最优拟合分布的种类以及相应分布的特征参数。