python的数据正态性检验
- 5.代码实现
对数据正态性进行检验，原假设H0：样本数据服从正态分布。
是一种Shapiro-Wilk test，The Shapiro-Wilk test tests the null hypothesis(零假设) that the data was drawn from a normal distribution。
适用于小样本数据，只能检查正态分布。
s,p=(x)
返回值s为检验统计量，p为p值，当p值大于指定的显著性水平，则接受原假设。
statistic,p=(a, axis=0, nan_policy='propagate')
参数介绍：axis：默认为0，根据哪一维度进行检验。axis=None 表示对整个数据做检验。nan_policy：当输入的数据中有nan时，‘propagate’，返回空值；‘raise’ ，抛出错误；‘omit’ 时，忽略空值。
返回值中，第一个是统计量，第二个是P值。
是一种K-S检验。它不局限于正态检验，可以检验多种分布。
statistic,p=(rvs, cdf, args=(), N=20, alternative='two-sided', mode='approx')
参数介绍：rvs：待检验数据。cdf：检验分布，例如’norm’，‘expon’，‘rayleigh’，'gamma’等分布，设置为’norm’时表示正态分布。alternative：默认为双侧检验，可以设置为’less’或’greater’作单侧检验。model:定义用于计算p值的分布，‘approx’(默认值)，表示使用检验统计量的精确分布的近似值；‘asymp’：使用检验统计量的渐进分布。
返回值中，第一个为统计量，第二个为P值。
不局限于正态检验，可以检验多种分布（正态分布、指数分布、logistic 或者 Gumbel等分布）。
statistic,critical_values,significance_level=(x, dist='norm')
参数介绍：x:样本数据dist:要检验的分布
返回值中，第一个表示统计值，第二个表示评价值，第三个是显著性水平；评价值和显著性水平对应，不同分布显著性水平不同。
结果说明：当统计值大于评价值时，表示在对应显著性水平下，拒绝原假设。
5.代码实现
import numpy as np
from scipy import stats
b = (0, 10, 100)
# Shapiro-Wilk test
s,p = (b)
print(s,p)
# kstest
s,p = (b, 'norm')
print(s,p)
# normaltest
s,p = (b)
print(s,p)
# Anderson-Darling test
s,c,p = (b,dist='norm')
print(s,c,p)