1. 查看所有的连续随机变量：

[k for k,v in stats.__dict__.items() if isinstance(v,stats.rv_continuous)]

2. 连续随机变量对象都有如下方法：

• rvs(*args, **kwds)：获取该分布的一个或者一组随机值
• pdf(x, *args, **kwds)：概率密度函数在x处的取值
• logpdf(x, *args, **kwds) ：概率密度函数在x处的对数值
• cdf(x, *args, **kwds)：累积分布函数在x处的取值
• logcdf(x, *args, **kwds)：累积分布函数在x处的对数值
• sf(x, *args, **kwds) ：生存函数在x处的取值，它等于1-cdf(x)
• logsf(x, *args, **kwds) ：生存函数在x处的对数值
• ppf(q, *args, **kwds)：累积分布函数的反函数
• isf(q, *args, **kwds) ：生存函数的反函数
• moment(n, *args, **kwds) n-th order non-central moment of distribution.
• stats(*args, **kwds)：计算随机变量的期望值和方差值等统计量
• entropy(*args, **kwds) ：随机变量的微分熵
• expect([func, args, loc, scale, lb, ub, ...])：计算 func(.) 的期望值
• median(*args, **kwds)：计算该分布的中值
• mean(*args, **kwds)：计算该分布的均值
• std(*args, **kwds)：计算该分布的标准差
• var(*args, **kwds)：计算该分布的方差
• interval(alpha, *args, **kwds)：Confidence interval with equal areas around the median.
• __call__(*args, **kwds)：产生一个参数冻结的随机变量
• fit(data, *args, **kwds) ：对一组随机取样进行拟合，找出最适合取样数据的概率密度函数的系数
• fit_loc_scale(data, *args)：Estimate loc and scale parameters from data using 1st and 2nd moments.
• nnlf(theta, x)：返回负的似然函数

其中的args/kwds参数可能为（具体函数具体分析）：

• arg1, arg2, arg3,...: array_like.The shape parameter(s) for the distribution
• loc : array_like.location parameter (default=0)
• scale : array_like.scale parameter (default=1)
• size : int or tuple of ints.Defining number of random variates (default is 1).
• random_state : None or int or np.random.RandomState instance。If int or RandomState, use it for drawing the random variates. If None, rely on self.random_state. Default is None.

3. 这些连续随机变量可以像函数一样调用，通过loc和scale参数可以指定随机变量的偏移和缩放系数。

• 对于正态分布的随机变量而言，这就是期望值和标准差