python检验数据是否服从正态分布

在Python中，我们可以使用一些统计库来检查数据是否符合正态分布。最常用的库是`scipy.stats`模块，它包含了许多统计函数，其中就包括正态分布测试。以下是几个常用的方法：

1. **Shapiro-Wilk检验**：`scipy.stats.shapiro()`函数用于执行Shapiro-Wilk正常ity检验，这个检验假设数据来自正态分布。如果p值大于某个临界值（通常0.05），则拒绝原假设，认为数据不是正态分布。

from scipy import stats

data = [...] # 要检查的数据列表
statistic, p_value = stats.shapiro(data)
if p_value > 0.05:
    print("数据可能服从正态分布")
else:
    print("数据可能不服从正态分布")

2. **Kolmogorov-Smirnov检验**：`scipy.stats.kstest()`函数可以用于计算样本与给定理论分布（例如正态分布）的差异程度。较大的p值表明接受数据与正态分布相符的可能性更高。

ks_statistic, p_value = stats.kstest(data, 'norm')  # 使用正态分布作为参考
print(f"KS统计量：{ks_statistic}, p值：{p_value}")

3. **QQ图（Quantile-Quantile plot）**：绘制QQ图可以帮助直观地判断数据是否接近正态分布。你可以使用`seaborn`库来创建QQ图。

import seaborn as sns
sns.qqplot(data=data, fit=True)  # 参数fit=True会添加拟合线