锐客网

  1. 首页 > 睿知 > it技术 > >

Python函数实验分析的简单介绍( 二 )

IT技术变量


?scipy的stats包含一些比较基本的工具，比如：t检验，正态性检验，卡方检验之类，statsmodels提供了更为系统的统计模型，包括线性模型，时序分析，还包含数据集，做图工具等等 。
2. 小样本数据的正态性检验
(1) 用途
?夏皮罗维尔克检验法 (Shapiro-Wilk) 用于检验参数提供的一组小样本数据线是否符合正态分布，统计量越大则表示数据越符合正态分布，但是在非正态分布的小样本数据中也经常会出现较大的W值 。需要查表来估计其概率 。由于原假设是其符合正态分布 ， 所以当P值小于指定显著水平时表示其不符合正态分布 。
?正态性检验是数据分析的第一步，数据是否符合正态性决定了后续使用不同的分析和预测方法，当数据不符合正态性分布时，我们可以通过不同的转换方法把非正太态数据转换成正态分布后再使用相应的统计方法进行下一步操作 。
(2) 示例
(3) 结果分析
?返回结果 p-value=https://www.04ip.com/post/0.029035290703177452，比指定的显著水平（一般为5%）?。蚓芫偕瑁簒不服从正态分布 。
3. 检验样本是否服务某一分布
(1) 用途
?科尔莫戈罗夫检验(Kolmogorov-Smirnov test)，检验样本数据是否服从某一分布，仅适用于连续分布的检验 。下例中用它检验正态分布 。
(2) 示例
(3) 结果分析
?生成300个服从N(0,1)标准正态分布的随机数，在使用k-s检验该数据是否服从正态分布，提出假设：x从正态分布 。最终返回的结果，p-value=https://www.04ip.com/post/0.9260909172362317，比指定的显著水平（一般为5%）大，则我们不能拒绝假设：x服从正态分布 。这并不是说x服从正态分布一定是正确的，而是说没有充分的证据证明x不服从正态分布 。因此我们的假设被接受 ， 认为x服从正态分布 。如果p-value小于我们指定的显著性水平 ， 则我们可以肯定地拒绝提出的假设，认为x肯定不服从正态分布，这个拒绝是绝对正确的 。
4.方差齐性检验
(1) 用途
?方差反映了一组数据与其平均值的偏离程度，方差齐性检验用以检验两组或多组数据与其平均值偏离程度是否存在差异，也是很多检验和算法的先决条件 。
(2) 示例
(3) 结果分析
?返回结果 p-value=https://www.04ip.com/post/0.19337536323599344, 比指定的显著水平（假设为5%）大，认为两组数据具有方差齐性 。
5. 图形描述相关性
(1) 用途
?最常用的两变量相关性分析，是用作图描述相关性 ， 图的横轴是一个变量，纵轴是另一变量，画散点图，从图中可以直观地看到相关性的方向和强弱，线性正相关一般形成由左下到右上的图形；负面相关则是从左上到右下的图形，还有一些非线性相关也能从图中观察到 。
(2) 示例
(3) 结果分析
?从图中可以看到明显的正相关趋势 。
6. 正态资料的相关分析
(1) 用途
?皮尔森相关系数（Pearson correlation coefficient）是反应两变量之间线性相关程度的统计量 ， 用它来分析正态分布的两个连续型变量之间的相关性 。常用于分析自变量之间，以及自变量和因变量之间的相关性 。
(2) 示例
(3) 结果分析
?返回结果的第一个值为相关系数表示线性相关程度 ， 其取值范围在[-1,1]，绝对值越接近1，说明两个变量的相关性越强 ， 绝对值越接近0说明两个变量的相关性越差 。当两个变量完全不相关时相关系数为0 。第二个值为p-value，统计学上，一般当p-value0.05时，可以认为两变量存在相关性 。
7. 非正态资料的相关分析
(1) 用途

推荐阅读


上一篇：搭载鸿蒙os的机型，搭载鸿蒙系统的产品

下一篇：包含jqueryxml编辑器的词条