python判断数据是否符合正态分布

在Python中，我们可以使用多种方法来判断数据是否符合正态分布。以下是两种常用的方法：

1. Shapiro-Wilk正态性检验：
Shapiro-Wilk检验是一种常用的正态性检验方法。在Python中，我们可以使用Scipy库的`shapiro`函数来进行检验。该函数的返回结果中，第二个值是p值，如果p值小于设定的显著性水平（通常为0.05），则可以拒绝原假设，即数据不符合正态分布。

示例代码：

from scipy import stats

data = [1, 2, 3, 4, 5]
statistic, p_value = stats.shapiro(data)

if p_value < 0.05:
    print("数据不符合正态分布")
else:
    print("数据符合正态分布")

2. 统计图形观察：
通过绘制数据的直方图或者概率密度图，我们可以观察数据的分布情况，从而初步判断是否符合正态分布。在Python中，可以使用Matplotlib库来绘制图形。

示例代码：

import matplotlib.pyplot as plt
import numpy as np

data = [1, 2, 3, 4, 5]
plt.hist(data, density=True, bins=5)
plt.xlabel('数据')
plt.ylabel('频率')
plt.title('数据的直方图')
plt.show()

plt.plot(np.sort(data), np.linspace(0, 1, len(data), endpoint=False))
plt.xlabel('数据')
plt.ylabel('累积概率')
plt.title('数据的概率密度图')
plt.show()

如果直方图或者概率密度图呈现钟形曲线状，则可以初步认为数据符合正态分布。

以上是两种常用的方法，但是需要注意的是，这些方法只能提供初步的判断，不能确定数据的确切分布情况。如果对数据的分布有更为准确的要求，可以使用更专业的统计方法进行进一步分析。