标签：bsp otl ups style alt 导入 python nbsp sig
正态分布：
若随机变量x服从有个数学期望为μ,方差为σ2 的正态分布，记为N(μ,σ)
其中期望值决定密度函数的位置，标准差决定分布的幅度，当υ=0，σ=0 时的正态分布是标准正态分布
判断方法有画图/k-s检验
画图：
#导入模块 import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline #构造一组随机数据 s = pd.DataFrame(np.random.randn(1000)+10,columns = [‘value‘]) #画散点图和直方图 fig = plt.figure(figsize = (10,6)) ax1 = fig.add_subplot(2,1,1) # 创建子图1 ax1.scatter(s.index, s.values) plt.grid() ax2 = fig.add_subplot(2,1,2) # 创建子图2 s.hist(bins=30,alpha = 0.5,ax = ax2) s.plot(kind = ‘kde‘, secondary_y=True,ax = ax2) plt.grid()
结果如下：
使用ks检验：
#导入scipy模块 from scipy import stats """ kstest方法：KS检验，参数分别是：待检验的数据，检验方法（这里设置成norm正态分布），均值与标准差 结果返回两个值：statistic → D值，pvalue → P值 p值大于0.05，为正态分布 H0:样本符合 H1:样本不符合 如何p>0.05接受H0 ,反之 """ u = s[‘value‘].mean() # 计算均值 std = s[‘value‘].std() # 计算标准差 stats.kstest(s[‘value‘], ‘norm‘, (u, std))
结果是KstestResult(statistic=0.01441344628501079, pvalue=0.9855029319675546)，p值大于0.05为正太分布
标签：bsp otl ups style alt 导入 python nbsp sig
原文地址：https://www.cnblogs.com/cgmcoding/p/13253934.html
