那么scipy.stats.weibull_min是否对应于三参数威布尔分布，或两参数威布尔分布，或所谓的标准威布尔分布？
scipy.stats.weibull_min可以以这三种方式中的任何一种使用。
对于c=2的标准威布尔分布：

from scipy import stats
# by default, `loc=0` and `scale=1`
standard_weibull = stats.weibull_min(c=2)

字符串
对于c=2和scale=1.5的双参数Weibull分布：

twoparam_weibull = stats.weibull_min(c=2, scale=1.5)

型
对于c=2、scale=1.5和loc=-1的三参数Weibull分布：

treparam_weibull = stats.weibull_min(c=2, scale=1.5, loc=-1)

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-2, 4, 300)
pdf1 = standard_weibull.pdf(x)
pdf2 = twoparam_weibull.pdf(x)
pdf3 = treparam_weibull.pdf(x)

plt.plot(x, pdf1, label='standard')
plt.plot(x, pdf2, label='two-parameter')
plt.plot(x, pdf3, label='three-parameter')
plt.legend()

的字符串

的数据
最后，我想对我的数据拟合一个三参数威布尔分布，我应该使用“scipy.stats.weibull_min”吗？
是的。如果您想将双参数威布尔拟合到数据中，您可以使用floc=0固定位置。如果您想将标准威布尔拟合到数据中，您还可以使用fscale=1固定尺度。

data = standard_weibull.rvs(size=100)
treparam_params = stats.weibull_min.fit(data)
# (1.9201813763802515, 0.009596546763289675, 0.9715998168668463)
twoparam_params = stats.weibull_min.fit(data, floc=0)
# (1.9440072272633722, 0, 0.9547611987999606)
standard_params = stats.weibull_min.fit(data, floc=0, fscale=1)
# (1.9773521741819526, 0, 1)

型