您可以使用Kolmogorov-Smirnov statistic，它通过构造位于中，因为它是比较的两个分布的 cdf 之间的逐点差异的上确界。$[0,1]$

顺便说一句，作为非参数，您还可以使用相同的测试来比较您的实际分布和预测分布。

首先，在这种情况下仅使用统计检验来获取 p 值是错误的。为什么 ？因为 p 值仅表示显着性水平，而不是差异的数量或幅度。换句话说，在运行两次统计测试之后，不能说 0.00001 的 p 值与 0.001 的 p 值相比更合适——即使两者都低于普遍接受的阈值。这意味着，具有最小 p 值的测试与第二个测试相比有更高的机会显着不同，但不会告诉您差异有多大。因此，您总是需要一个效果大小。再次没有说第一次测试有较小的错误！在这里你可以读到为什么这里的 p 值是不够的。当您搜索时，您可以找到大量其他帖子"p-value vs effect size"

由于您是在对它们进行排名之后，因此我的建议是：

为了获得更糟糕的直方图，您生成随机数据

data = np.random.normal(0, 0.5, 1000)

那么你适合正态分布

mean, var  = scipy.stats.distributions.norm.fit(data)

然后你计算例如错误MSE。基本上，从您的数据中选择一个 x，在正态分布中找到 y，然后从您自己的 y 中减去。从这里您将拥有您的maximum level of error.

然后对于您的每个直方图，您都适合正态分布并得到如上所述的错误。现在您的拟合误差具有可比性，误差最小的直方图是最佳拟合。您可以使用 p 值来表明它是显着的。也许 wilcoxon 测试非参数测试可能是一种选择。由于您不知道您的数据是否正常，因此您不能使用任何具有正态分布假设的测试。

无论如何，要将您的值绑定到 [0, 1] 那么您必须标准化您的错误。这意味着，您最差的错误应该是 0（来自随机数）和最好的 1（可能是完美匹配）。