Scipy 是一个用于数学、科学、工程领域的常用软件包，可以处理插值、积分、优化、图像处理、常微分方程数值解的求解、信号处理等问题。
可以有效计算 Numpy 中的矩阵，从而使 Numpy 和 Scipy 可以协同工作，高效解决问题。
stats
在做 ML 的时候经常会遇到一些与概率相关的东西，其实在 scipy.stats 模块中已经提供了相关的一些特性，该模块封装了一些标准的随机变量，包括了连续型 (80多个) 和离散型 (10多个)。
常用方法
连续随机变量的主要公共方法有：
- rvs, Random VariateS 随机变量，也就是从这个分布中抽一些样本；
- pdf, Probability Density Function 概率密度函数；
- cdf, Cumulative Distribution Function 累计分布函数；
- sf, Survival Function 残存函数(1 - CDF)；
- ppf, Percent Point Function 分位点函数 (CDF 的逆)；
- isf, Inverse Survival Function 逆残存函数 (sf的逆)；
可以通过如下方法查看支持的属性。
from scipy import stats
dir(stats.norm) # 查看正态分布的所有方法和属性
示例
如下使用该模块模拟正态分布的使用，默认使用的是标准正态分布，也就是平均值为 0 ，标准差为 1 的正态分布。
>>> import numpy as np
>>> from scipy import stats
#----- 使用默认的标准正态分布函数计算累积分布
>>> stats.norm.cdf(0)
0.5
>>> stats.norm.cdf([-1, 0, 1])
array([0.15865525, 0.5, 0.84134475])
>>> norm.cdf(np.array([-1, 0, 1]))
array([0.15865525, 0.5, 0.84134475])
#----- 设置正态分布参数，loc(location)期望值，scale标准差
>>> x = stats.norm(loc=1.0, scale=2.0)
#----- 计算随机变量的期望值和方差
>>> print(x.stats())
(array(1.), array(4.))
#----- 对于正态分布随机取10000个值，并计算其均值和方差
>>> sample = x.rvs(size=10000)
>>> print(np.mean(sample), np.var(sample))
(0.9874473210585618, 4.086386197301687)
#----- 对随机序列进行拟合，返回与随机取样值最吻合的随机变量参数
>>> print(stats.norm.fit(sample))
(0.9874473210585618, 2.0214811889556845)