我完全理解你的痛点——在Heroku上配置scipy确实麻烦，尤其是只用到一个CDF函数的情况下。下面给你几个不需要scipy的替代方案，从零依赖到轻量包都有：

这是最推荐的方案，因为math是Python自带的标准库，不需要安装任何额外包，完美适配Heroku的部署场景。

正态分布的累积分布函数（CDF）和误差函数erf有直接的数学关系：

标准正态分布（均值0，标准差1）的CDF公式：Φ(x) = 0.5 * (1 + erf(x/√2))

Python的math库已经内置了erf函数，我们可以直接基于这个公式实现：

import math

def norm_cdf(x):
    """替代scipy.stats.norm.cdf(x)，计算标准正态分布的累积分布函数"""
    return 0.5 * (1.0 + math.erf(x / math.sqrt(2.0)))

# 测试：对应scipy.stats.norm.cdf(1.96)
print(norm_cdf(1.96))  # 输出约0.9750021048517795，和scipy结果完全一致

这个实现的精度足够绝大多数业务场景（比如统计检验中的95%置信区间计算），而且速度快，没有任何依赖。

如果需要计算非标准正态分布（自定义均值mu和标准差sigma）的CDF，只需要先把x转换为标准分z，再代入上面的公式：

import math

def norm_cdf(x, mu=0.0, sigma=1.0):
    """计算一般正态分布的累积分布函数，对应scipy.stats.norm.cdf(x, loc=mu, scale=sigma)"""
    z = (x - mu) / sigma
    return 0.5 * (1.0 + math.erf(z / math.sqrt(2.0)))

# 测试：比如均值为5，标准差为2的分布，计算x=8的CDF
print(norm_cdf(8, mu=5, sigma=2))  # 输出约0.9331927987311419

如果你的场景需要更高精度的计算，可以使用mpmath——这是一个轻量级的数学库，安装和部署比scipy简单太多，不需要编译系统依赖。

安装只需要在requirements.txt中添加mpmath，然后用以下代码实现：

import mpmath

def norm_cdf(x):
    return mpmath.ncdf(x)

# 测试
print(norm_cdf(1.96))  # 输出0.9750021048517795，精度和scipy一致

mpmath支持任意精度的数值计算，如果你需要处理极端数值或者超高精度需求，这个方案很合适。

总结 #

• 优先选方案1：零依赖，部署最省心，精度足够绝大多数场景；
• 如果需要更高精度或复杂计算，选方案3：mpmath轻量易安装，避免scipy的部署麻烦；
• 两个方案的结果都和scipy.stats.norm.cdf完全一致，不需要担心兼容性问题。

内容的提问来源于stack exchange，提问作者Kritz