使用scipy做lognormal拟合出现两条曲线如何仅保留目标曲线？

问题原因 #

你的代码存在三处核心错误，导致出现多余的错误曲线、拟合结果不符合预期：

1. 生成样本时对数正态分布的偏移参数loc设为2，但拟合时强制固定floc=0，参数约束和真实数据分布不匹配，拟合结果自然错误
2. 你手动绘制的「原始分布」参数完全写错：生成样本用的参数是shape=0.6, loc=2, scale=1，但你写pdf变量时用了shape=0.5, loc=0, scale=1，这条就是你说的峰值约为0.5的错误曲线
3. 直方图的normed参数在高版本scipy中已经废弃，同时绘图代码重复传入了颜色参数，逻辑冲突

修正方案 #

如果你只需要保留拟合得到的目标曲线，直接使用以下调整后的代码即可：

import numpy as np
import scipy.stats as st
import matplotlib.pyplot as plt

# 生成模拟样本
samp = st.lognorm(0.6, loc=2, scale=1).rvs(size=2000)
# 拟合时不强制固定loc，由算法自动估算参数
param = st.lognorm.fit(samp)
print("拟合得到的参数（shape, loc, scale）：", param)

x = np.linspace(0, 10, 100)
# 计算拟合分布的概率密度
pdf_fitted = st.lognorm.pdf(x, param[0], loc=param[1], scale=param[2])

# 仅绘制拟合曲线和样本直方图
plt.plot(x, pdf_fitted, 'r-')
plt.hist(samp, bins=30, density=True, alpha=.3)
plt.show()

补充说明 #

如果你需要对比拟合结果和真实生成分布的差异，可以在代码中添加正确的真实分布曲线：

# 正确的真实分布pdf，参数和生成样本时一致
pdf_real = st.lognorm.pdf(x, 0.6, loc=2, scale=1)
plt.plot(x, pdf_real, 'g-')

如果你的真实业务数据确定没有偏移（即loc必须为0），那么生成样本时就不要加loc=2参数，拟合时再加floc=0才是合理的约束。

内容的提问来源于stack exchange，提问作者rrkk