在 OP 评论中尝试了一些不起作用的东西。但是，您可以将Wolfram 语言应用到您的项目中。有一个免费的Wolfram 引擎供开发人员使用，您可以通过 Python 的Wolfram 客户端库在 Python中使用这些函数。

import datetime

from wolframclient.evaluation import WolframLanguageSession
from wolframclient.language import wl, wlexpr

启动 Wolfram 会话

wolfSession = WolframLanguageSession()

我将在 2016 年 10 月从离百慕大最近的气象站收集自己WindSpeedData的WeatherData气象站。"Country" Entity

weatherStation = wolfSession.evaluate(
    wl.WeatherData(wl.Entity('Country','Bermuda'))
);
print(weatherStation)

Entity['WeatherStation', 'TXKF']

windData = wolfSession.evaluate(
    wl.WindSpeedData(
        weatherStation,
        [
            datetime.datetime(2016,10,1),
            datetime.datetime(2016,10,31)
        ]
    )
)

windData是一个TimeSeries观察计数与您的问题相当的对象。

print(wolfSession.evaluate(windData('PathLength')))

1058

结果可以DateListPlot通过支持的Raster Image Formats或Vector Graphics FormatsExport之一进行可视化。

wolfSession.evaluate(
    wl.Export(
        '<path with image filename>', 
        wl.DateListPlot(windData, 
            PlotTheme='Detailed', 
            PlotRange=wl.All, 
            FrameLabel=wl.Automatic
        )
    )
)

那个月的飓风是造成风速飙升的原因。

现在有了HistogramPDF规模给出的数据。

hist=wolfSession.evaluate(
    wl.Histogram(windData, wl.Automatic, 'PDF',
        PlotTheme='Detailed', 
        ChartStyle=wl.ColorData('Crayola','Silver'),
        PlotRange=wl.All
    )
);

wolfSession.evaluate(
    wl.Export(
        '<path with image filename>', 
        hist
    )
)

用于. EstimatedDistribution_WeibullDistribution

windDistrbution=wolfSession.evaluate(
    wl.EstimatedDistribution(
        wl.QuantityMagnitude(windData('Values')),
        wl.WeibullDistribution(wl.Global.alpha, wl.Global.beta, wl.Global.mu)
    )
);
print(windDistrbution) 

WeibullDistribution[1.883495945177254, 28.34295076324276, -0.7675654467340361]

或者使用FindDistribution受限于连续分布函数来自动查找和拟合分布。

autoDistribution=wolfSession.evaluate(
    wl.FindDistribution(
        wl.QuantityMagnitude(windData('Values')),
        TargetFunctions='Continuous'
    )
);

print(autoDistribution)

ExtremeValueDistribution[18.436141153779957, 10.204118744677338]

检查 with 的优劣DistributionFitTest。

print(
    wolfSession.evaluate(
        wl.Map(
            wl.Function(wl.DistributionFitTest(windData,wl.Slot(1),'PValue')), 
            [windDistrbution,autoDistribution]
        )
    )
)

[0.0002862317707539308, 0.1802410209978217]

Weibull 拟合不是很好，极值也不是那么强。在任何情况下Plot的PDF功能。

pdfs=wolfSession.evaluate(
    wl.Map(
        wl.Function(wl.PDF(wl.Slot(1), wl.Global.x)), 
        [windDistrbution,autoDistribution]
    )
);


pdfPlot=wolfSession.evaluate(
    wl.Plot(
        pdfs,
        [wl.Global.x, 0, wl.QuantityMagnitude(wl.Max(windData))],
        PlotTheme='Detailed',
        PlotLegends=wl.Placed(
            wl.LineLegend(wl.Automatic, [windDistrbution,autoDistribution]), 
            wl.Below)
    )
)

wolfSession.evaluate(
    wl.Export(
        '<path with image filename>', 
        pdfPlot
    )
)

将图与 结合起来Show。

wolfSession.evaluate(
    wl.Export(
        '<path with image filename>', 
        wl.Show(hist, pdfPlot)
    )
)

终止会话

wolfSession.terminate()

希望这可以帮助。