### 使用 SciPy.stats 计算统计分布的均值和标准差 SciPy 提供了一个强大的 `scipy.stats` 模块，能够处理多种连续和离散分布。通过调用特定分布对象的方法 `.mean()` 和 `.std()` 可以分别计算其均值和标准差。 以下是基于常见正态分布 (Normal Distribution) 的示例代码： ```python from scipy.stats import norm # 定义参数 mu(均值), sigma(标准差) mu = 0 sigma = 1 # 创建一个正态分布的对象 normal_dist = norm(loc=mu, scale=sigma) # 计算均值 mean_value = normal_dist.mean() # 均值计算 [^4] # 计算标准差 std_deviation = normal_dist.std() # 标准差计算 [^4] print(f"正态分布 N({mu}, {sigma}^2) 的均值为: {mean_value}") print(f"正态分布 N({mu}, {sigma}^2) 的标准差为: {std_deviation}") ``` 对于其他类型的分布（如指数分布、泊松分布等），也可以采用类似的逻辑创建对应的分布对象并调用相应方法。例如，下面是一个关于指数分布的例子： ```python from scipy.stats import expon # 定义参数 lambda (速率参数)，注意 SciPy 中使用的是尺度参数 scale=1/lambda scale_param = 1 / 2 # 对应于 λ=2 # 创建一个指数分布的对象 exponential_dist = expon(scale=scale_param) # 计算均值 exp_mean = exponential_dist.mean() # 计算标准差 exp_std = exponential_dist.std() print(f"指数分布 Exp(λ={2}) 的均值为: {exp_mean}") # 输出应该是 1/λ [^4] print(f"指数分布 Exp(λ={2}) 的标准差为: {exp_std}") # 输出应该是 1/λ [^4] ``` 以上代码展示了如何利用 `scipy.stats` 来定义不同类型的分布，并计算它们的均值与标准差。每种分布都有自己的参数化方式，在实际应用时需查阅对应分布的具体说明。 #### 注意事项 - 不同分布可能有不同的参数名称和意义，请参考官方文档确认。 - 如果需要自定义复杂分布，则可以通过继承 `rv_continuous` 或 `rv_discrete` 类来自定义实现[^3]。