经过一段时间的努力，我找到了一个解决办法：

shape, loc, scale = stats.weibull_min.fit(X, floc = 0, f0 = 1)
W = np.linspace(stats.weibull_min.ppf(0.001, shape, loc=loc, scale=scale), stats.weibull_min.ppf(0.99, shape, loc=loc, scale=scale), 1000)

p =  stats.weibull_min.pdf(W, shape, scale = scale)

Robert Dodier对我最初的帖子的评论非常有趣，我将尝试看看如何在原始数据集上使用“对数似然函数”，而不是在直方图上拟合。这是我第一次使用对数似然函数。如果有人有什么建议，我很乐意接受。
谢谢。

尽管我现在正在考虑对原始数据使用对数似然函数，但我仍然试图拟合得到的直方图的分布。
使用我之前发布的代码，我最终得到了这个（威布尔拟合）：

我想伽马拟合会更好...所以我正在测试其他几种拟合。
下面是几个发行版的新代码，我愿意接受任何改进此代码的建议：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import scipy.stats as stats

data = 'Figures/Histogram/Histogram.xlsx'
hist= pd.read_excel('Figures/Histogram/Histogram.xlsx')

# x= hist['DeltaT_value'] 
x= hist['DeltaT_-250_2017']
X=x[(x>0)]

plt.figure(figsize=(15,4))
plt.hist(X, bins= np.arange (0,1500,25), color='#0504aa', edgecolor ='red', rwidth= 0.8)
plt.ylabel('Number of event layers')
plt.xlabel('Delta T (years CE) between event layers over the -250 to 2017 yr CE period')
plt.xlim(0, 401)
plt.xticks(np.arange(0,401,25))
plt.yticks(np.arange(0,2.2,1))


# Fit distributions for the histogram
####
# Essai1

# find minimum and maximum of xticks, so we know
# where we should compute theoretical distribution
xt = plt.xticks()[0]  
xmin, xmax = min(xt), max(xt)  
lnspc = np.linspace(xmin, xmax, len(X))

# normal distribution 
m, s = stats.norm.fit(X) # get mean and standard deviation  
pdf_g = stats.norm.pdf(lnspc, m, s) # now get theoretical values in our interval  
plt.plot(lnspc, pdf_g, label="Norm") # plot it

# gamma distrib
ag,bg,cg = stats.gamma.fit(X)  
pdf_gamma = stats.gamma.pdf(lnspc, ag, bg,cg)  
plt.plot(lnspc, pdf_gamma, label="Gamma")

# beta distrib
ab,bb,cb,db = stats.beta.fit(X)  
pdf_beta = stats.beta.pdf(lnspc, ab, bb,cb, db)  
plt.plot(lnspc, pdf_beta, label="Beta")

# exp distrib
ae,be,ce,de = stats.expon.fit(X)  
pdf_beta = stats.expon.pdf(lnspc, ae,be,ce,de)  
plt.plot(lnspc, pdf_expon, label="Exponential")

# Weibull distrib
aw,bw,cw,dw = stats.weibull_min.fit(X)  
pdf_weibull = stats.weibull_min.pdf(lnspc, aw, bw,cw)  
plt.plot(lnspc, pdf_weibull, label="Weibull")

plt.show()