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")

关于Python绘制正态分布图（概率密度分布）以及遇到的问题（label无法显示）

目的：统计神经网络模型的参数分布情况

使用seaborn给我们提供的distplot函数来绘制，即调用sns.distplot()，并传入相关参数即可，这里我们用np.random.normal()函数来生成10000个均值为0，方差为1的数据，并将其传入sns.distplot()

from matplotlib import pyplot as plt
from scipy.stats import norm
import seaborn as sns
import numpy as np

w = np.random.normal(0, 1, 10000)

with plt.style.context(['science', 'no-latex']): # 如果没有安装SciencePlot库，可以把这行去掉
    sns.distplot(w, bins=100, fit=norm)
    plt.title("honest parameters")
    plt.savefig('./distribution.svg', format='svg', dpi=300)
    plt.show()

运行后的结果:

可以看到已经成功画出来啦！

这时候如果我们想对比诚实模型和恶意模型的参数分布，并给其添加对应的标签，label="honest", label="attacker",代码如下：

from matplotlib import pyplot as plt
from scipy.stats import norm
import seaborn as sns
import numpy as np

w = np.random.normal(0, 1, 10000)
w_bad = np.random.normal(1, 2, 10000)

with plt.style.context(['science', 'no-latex']): # 如果没有安装SciencePlot库，可以把这行去掉
    sns.distplot(w, bins=100, fit=norm, label="honest")
    sns.distplot(w_bad, bins=100, fit=norm, label="attacker")
    plt.savefig('./distribution.svg', format='svg', dpi=300)
    plt.show()

画出来是这样的:

可以看到诚实模型和恶意模型的参数分布已经绘制出来，但似乎设置的标签不起作用label="honest", label="attacker"，在图中无法显示。

解决方法：在plt.show()之前调用plt.legend()即可解决此问题

from matplotlib import pyplot as plt
from scipy.stats import norm
import seaborn as sns
import numpy as np

w = np.random.normal(0, 1, 10000)
w_bad = np.random.normal(1, 2, 10000)

with plt.style.context(['science', 'no-latex']): # 如果没有安装SciencePlot库，可以把这行去掉
    sns.distplot(w, bins=100, fit=norm, label="honest")
    sns.distplot(w_bad, bins=100, fit=norm, label="attacker")
    plt.savefig('./distribution.svg', format='svg', dpi=300)
    plt.legend() # 这行没有则无法显示标签
    plt.show()

绘制结果如下，可以看到，已经能够正常显示label标签了：