这是一个自写库系列，底部还有相关的骚操作快捷绘图的链接。不多说，已知 mu 和 sigma，一行代码实现复杂绘图，各种细节配置尽在不言中。
PS：这个图的具体用法在下面这个链接
统计学(一)： Z 分数 & 正态分布 (附 Python 实现代码) --Z 检验先修; Z 分数与正态分布两者关系; Z 分数与百分位数的异同；面试要点（以心理学实验为舟）
夸张了吧，上面的这个破图也好意思叫复杂绘图？可能会有不少朋友这样想，可以理解，下面来拆解一下知识点与呈现绘图代码。
宏观来看
- 图片大小怎么弄的
- x，y 轴的坐标我也没看你设置啊，怎么自动就标好了
- 正态曲线怎么生成的？
细节来看
- 图例生成得恰到好处啊，位置摆放也不错
- 边框怎么隐去得这么完美，让我的视野更加聚焦了，欸左上右三边的边框都去掉了欸
- x 轴好像也不错，没有紧紧贴住图形，而是向下偏移了一点
- 背景的网格线让我能更好的比对数据了欸
纳米细节来看
- 我以前听说 seaborn/matplotlib 绘图在生成中文方面会有困难，有时候坐标轴如果是负数的话会生成 bug 框框，这个怎么解决呢？
- 整体绘图背景好像也可以调整，比如图中的是 seaborn 经典的白色网格底，好像还可以调成 R 语言绘图风格的 ggplot，其他阴影什么的
- 坐标轴，图例，标题等等的字体设置也有玄机，字号和样式的选择难道也不用设置嘛？
上面是我暂时所能想到的细节，其实都封装在自己写好绘图库 myplots 中了。但绘图代码并不是自己创作的，而是从前人和各种大神的代码中学习并积累下来的，为了画出一幅还比较完美的图，已经踩过无数的坑了，码下来后也可以自行改装，添加。
代码展示！！
&emsp代码中的注释已经非常非常详细了！希望能够帮你规避画图中的各种坑
# 基础配置
# 基础库
import numpy as np
import pandas as pd
# 基础绘图库
import matplotlib.pyplot as plt
import seaborn as sns
# %matplotlib inline
# 各种细节配置如 文字大小，图例文字等杂项
large = 22; med = 16; small = 12
params = {'axes.titlesize': large,
'legend.fontsize': med,
'figure.figsize': (16, 10),
'axes.labelsize': med,
'axes.titlesize': med,
'xtick.labelsize': med,
'ytick.labelsize': med,
'figure.titlesize': large}
plt.rcParams.update(params)
plt.style.use('seaborn-whitegrid')
sns.set_style("white")
plt.rc('font', **{'family': 'Microsoft YaHei, SimHei'}) # 设置中文字体的支持
# sns.set(font='SimHei') # 解决Seaborn中文显示问题，但会自动添加背景灰色网格
plt.rcParams['axes.unicode_minus'] = False
# 解决保存图像是负号'-'显示为方块的问题
# 提高输出效率库
from IPython.core.interactiveshell import InteractiveShell # 实现 notebook 的多行输出
InteractiveShell.ast_node_interactivity = 'all' #默认为'last'
from IPython.display import Image # 插入图片包
# Image(filename="img/pythonl. png", width=400, height=400)
import math
####################### 绘制正态曲线 #######################
def normal_curve(mu, sigma, figsize=(10,8), despine=True):
""" 传入 x，均值 """
#正态分布的概率密度函数。可以理解成 x 是 mu（均值）和 sigma（标准差）的函数
def normfun(x, mu=mu, sigma=sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
plt.figure(figsize=figsize)
# Python实现正态分布
# 绘制正态分布概率密度函数
x = np.linspace(mu - 3*sigma, mu + 3*sigma, 50)
y_sig = normfun(x=x, mu=mu, sigma=sigma)
plt.plot(x, y_sig, "r-", linewidth=2) # 波形曲线
# 添加垂直分隔线
plt.vlines(mu, 0, np.exp(-(mu - mu) ** 2 /(2* sigma **2))/(np.sqrt(2*np.pi)*sigma), colors = "c", linestyles = "dashed")
plt.vlines(mu+sigma, 0, np.exp(-(mu+sigma - mu) ** 2 /(2* sigma **2))/(np.sqrt(2*np.pi)*sigma), colors = "k", linestyles = "dotted")
plt.vlines(mu+2*sigma, 0, np.exp(-(mu+2*sigma - mu) ** 2 /(2* sigma **2))/(np.sqrt(2*np.pi)*sigma), colors = "k", linestyles = "dotted")
plt.vlines(mu-sigma, 0, np.exp(-(mu-sigma - mu) ** 2 /(2* sigma **2))/(np.sqrt(2*np.pi)*sigma), colors = "k", linestyles = "dotted")
plt.vlines(mu-2*sigma, 0, np.exp(-(mu-2*sigma - mu) ** 2 /(2* sigma **2))/(np.sqrt(2*np.pi)*sigma), colors = "k", linestyles = "dotted")
# 添加坐标轴
plt.xticks ([mu-2*sigma, mu-sigma, mu , mu+sigma, mu+2*sigma],
['μ-2σ', 'μ-σ', 'μ', 'μ+σ', 'μ+2σ'])
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Normal Distribution: $\mu = %.2f, $sigma=%.2f'%(mu,sigma))
plt.grid(True)
if despine == True:
sns.despine(trim=True, left=True, offset=10)
后记
精彩回顾，都是一行代码实现复杂绘图的自写库系列
- seaborn displot 正态分布曲线拟合图代码注释超详解
- treemap 树形图 饼图升级版超详解，体现占比的同时显示出数量
- Stack Graph 堆叠图，标准化堆叠柱形图，标准化的同时还能反应数据量大小的堆叠图
- Matplotlib Heatmap 热力图，相关系数矩阵图
数据分析，商业实践，数据可视化，网络爬虫，统计学，Excel，Word, 社会心理学，认知心理学，行为科学，民族意志学 各种专栏后续疯狂补充
欢迎评论与私信交流！
