当我们想要弄清楚变量的统计特性时，往往想知道它是服从什么分布的，这时候就需要绘制概率分布直方图

在python中我们可以使用seaborn库来进行绘制：

Seaborn是一个基于matplotlib的Python数据可视化库。它为绘制有吸引力和信息丰富的统计图形提供了高级界面。

首先需要导入seaborn库：

import seaborn as sns

在seaborn中的distplot函数可以完成概率分布直方图和密度图的绘制

seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False,
fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None,
color=None, vertical=False, norm_hist=False, axlabel=None,
label=None, ax=None)

下面直接给出我绘制时用到的代码：

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
from scipy.stats import norm
from scipy.stats import laplace

txt=[]
data=[]
path = r"E:\rtklib\rtklib-test1\stav.txt"

#mpl.rc("figure", figsize=(9, 5))
with open(path, "r") as f:
    txt.append(f.readlines())

for i in range(len(txt[0])):
    data.append(float(txt[0][i].strip().split(',')[1]))

sns.set_palette("hls")
#sns.set_style("whitegrid")
plt.figure(dpi=120)
sns.set(style='dark')
sns.set_style("dark", {"axes.facecolor": "#e9f3ea"})
g = sns.distplot(data,
                 hist=True,
                 kde=True,  # 开启核密度曲线kernel density estimate (KDE)
                 kde_kws={'linestyle': '--', 'linewidth': '1', 'color': '#c72e29',
                          # 设置外框线属性
                          },
                 fit=norm,
                 color='#098154',
                 axlabel='Standardized Residual',  # 设置x轴标题

                 )

plt.show()

其中，distplot的参数中，kde表示是否绘制核密度曲线；fit是选择拟合的分布，来分析数据究竟是符合什么分布，seaborn中提供了很多分布，可以在这里找到，使用时如上我的代码中导入的那样就可以：连续分布类型
最后的效果图如下：

绘制过程中没有加入太多修饰，如果想要好看一点，可以修改一些参数：
其中一个有设置背景 的风格，主要有以下几种：

sns.set_style("whitegrid")
sns.set_style("dark")
sns.set_style("darkgrid")
sns.set_style("white")
sns.set_style("ticks")

安装：直接pip

kde（核密度估计）是对未知分布的估计，所以可能有超出去值范围的估计（比如下图我定义的有效范围是0-180，但kde在<0和>180时仍然有曲线）。只要看自己想要的范围就好了，它在上面的拟合是可以的。

当然，也可以在distplot中用不同曲线拟合。

import seaborn as sns
from scipy import stats

# 绘制概率分布条形图，此时kde默认为true
sns.distplot(data, rug=False, hist=True)
# 也可以这样画kde
sns.kdeplot(data, shade=False)
# hist=False表示不要bar
# 这里用gamma分布拟合
sns.distplot(data, hist=False, kde=False, fit=stats.gamma)