Python 2.7下如何在Scipy.stats分布中指定均值与方差

刚好对Scipy里的分布参数逻辑很熟，来帮你解决这个问题！

Scipy里的scipy.stats.maxwell是带平移和缩放的Maxwell-Boltzmann分布，默认的「标准Maxwell分布」（也就是loc=0、scale=1的时候）有固定的均值和方差：

• 标准均值：2*sqrt(2/π) ≈ 1.5958
• 标准方差：3 - 8/π ≈ 0.4535

而loc和scale的作用很直白：

• loc：给整个分布做平移，相当于给所有样本值加上loc。它会直接加到均值上，但完全不影响方差（平移不改变离散程度）。
• scale：给整个分布做缩放，所有样本值都会乘以scale。它会让均值变成原来的scale倍，方差变成原来的scale²倍（缩放会放大离散程度的平方）。

从目标均值/方差反推loc和scale #

如果你已经有了想要的目标均值μ和目标方差σ²，可以通过下面的公式算出对应的loc和scale：

1. 先算scale：
   因为目标方差 = 标准方差 × scale²，所以：

import numpy as np
std_var = 3 - 8 / np.pi
scale = np.sqrt(target_variance / std_var)

2. 再算loc：
   因为目标均值 = loc + 标准均值 × scale，所以：

std_mean = 2 * np.sqrt(2 / np.pi)
loc = target_mean - scale * std_mean

实现你想要的「直接传均值方差」功能 #

把上面的逻辑包装成一个函数，就能直接像你期望的那样调用了：

import numpy as np
from scipy.stats import maxwell

def maxwell_pdf_with_mean_var(x, target_mean, target_variance):
    # 标准Maxwell的固定均值和方差
    std_maxwell_mean = 2 * np.sqrt(2 / np.pi)
    std_maxwell_var = 3 - 8 / np.pi
    
    # 反推Scipy需要的loc和scale
    scale = np.sqrt(target_variance / std_maxwell_var)
    loc = target_mean - scale * std_maxwell_mean
    
    # 生成对应分布的PDF值
    return maxwell.pdf(x, loc=loc, scale=scale)

# 示例用法
x = np.linspace(0, 5, 1000)
y = maxwell_pdf_with_mean_var(x, mean=2, variance=0.6)

有没有更合适的替代库？ #

其实Scipy已经完全能满足你的需求了，只要理清参数转换逻辑就好。如果想要更直观的参数控制，也可以考虑：

• numpy.random.maxwell：生成Maxwell分布的随机样本，但同样需要用scale参数，还是得做类似的转换
• 手动实现Maxwell分布的PDF公式：但显然不如Scipy的实现高效、经过验证

内容的提问来源于stack exchange，提问作者Adots005