正态分布:

若随机变量x听从有一个数学期望为μ,标准差为σ的正态分布 ,记作N(μ,σ)

在其中期待值决策密度函数的部位,标准偏差决策遍布的力度,当υ=0 ,σ=0 时的正态分布是规范正态分布

分辨方式有绘图/k-s检测

绘图:

#导进控制模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

#结构一组任意数据信息
s = pd.DataFrame(np.random.randn(1000) 10,columns = ['value'])

#画散点图和条形图
fig = plt.figure(figsize = (10,6))
ax1 = fig.add_subplot(2,1,1)  # 建立子图1
ax1.scatter(s.index, s.values)
plt.grid()

ax2 = fig.add_subplot(2,1,2)  # 建立子图2
s.hist(bins=30,alpha = 0.5,ax = ax2)
s.plot(kind = 'kde', secondary_y=True,ax = ax2)
plt.grid()

結果以下:

 

 

应用ks检验:

#导进scipy控制模块
from scipy import stats

"""
kstest方式:KS检测,主要参数分别是:待检测的数据信息,检测方式(这儿设成norm正态分布),平均值与标准偏差
結果回到2个值:statistic → D值	,pvalue → P值
p值超过0.05,为正态分布
H0:样版合乎  
H1:样版不符 
怎样p>0.05接纳H0 ,相反 
"""
u = s['value'].mean()  # 测算平均值
std = s['value'].std()  # 测算标准偏差
stats.kstest(s['value'], 'norm', (u, std))

結果是KstestResult(statistic=0.01441344628501079, pvalue=0.9855029319675546),p值超过0.05为正太分布

 

本文版权归QU快排Www.seoGurubLog.com 所有,如有转发请注明来出,竞价开户托管,seo优化请联系QQ▲61910465