對數據進行建模處理時，常需要進行數據分布檢驗。

import numpy as np
from scipy import stats

a = np.random.normal(0,1,50)
'''輸出結果中第一個為統計量，第二個為P值（統計量越接近1越表明數據和正態分布擬合的好，
P值大于指定的顯著性水平，接受原假設，認為樣本來自服從正態分布的總體）'''
print(stats.shapiro(a)) 


'''輸出結果中第一個為統計量，第二個為P值（注：統計量越接近0就越表明數據和標準正態分布擬合的越好，
如果P值大于顯著性水平，通常是0.05，接受原假設，則判斷樣本的總體服從正態分布）'''
print(stats.kstest(a, 'norm')) 


'''輸出結果中第一個為統計量，第二個為P值（注：p值大于顯著性水平0.05，認為樣本數據符合正態分布）'''
print(stats.normaltest(a)) 

scipy.stats.kstest（K-S檢驗）

kstest 是一個很強大的檢驗模塊，除了正態性檢驗，還能檢驗 scipy.stats 中的其他數據分布類型，僅適用于連續分布的檢驗，

原假設：數據符合正態分布

kstest(rvs, cdf, args=(), N=20, alternative='two_sided', mode='approx', **kwds)

對于正態性檢驗，我們只需要手動設置三個參數即可：

rvs：待檢驗的一組一維數據

cdf：檢驗方法，例如'norm'，'expon'，'rayleigh'，'gamma'，這里我們設置為'norm'，即正態性檢驗

alternative：默認為雙尾檢驗，可以設置為'less'或'greater'作單尾檢驗

model:'approx'(默認)，使用檢驗統計量的精確分布的近視值，

'asymp'：使用檢驗統計量的漸進分布

scipy.stats.shapiro（W檢驗）

與 kstest 不同，shapiro 是專門用來做正態性檢驗的模塊

原假設：樣本數據符合正態分布

注意：shapiro是用來檢驗小樣本數據（數據量<>

scipy.stats.shapiro(x, a=None, reta=False)

一般我們只用 x 參數就行，x 即待檢驗的數據

scipy.stats.normaltest

normaltest 也是專門做正態性檢驗的模塊，原理是基于數據的skewness和kurtosis

scipy.stats.normaltest(a, axis=0, nan_policy='propagate')

a：待檢驗的數據

axis：默認為0，表示在0軸上檢驗，即對數據的每一行做正態性檢驗，我們可以設置為 axis=None 來對整個數據做檢驗

nan_policy：當輸入的數據中有空值時的處理辦法。默認為 'propagate'，返回空值；設置為 'raise' 時，拋出錯誤；設置為 'omit' 時，在計算中忽略空值。

總結

以上是生活随笔為你收集整理的python中正态分布检验的方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。