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值大於指定的顯著性水平，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就越表明數據和標准正態分布擬合的越好， 如果P值大於顯著性水平，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值大於顯著性水平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，僅適用於連續分布的檢驗，
原假設：數據符合正態分布
kstest(rvs, cdf, args=(), N=20, alternative='two_sided', mode='approx', **kwds)
對於正態性檢驗，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，原理是基於數據的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。