python 正态性检验

在Python中，可以使用scipy库来进行正态性检验。scipy库中的stats模块提供了一些函数，其中包括正态性检验函数。

常用的正态性检验方法包括Kolmogorov-Smirnov检验(KS检验)和Shapiro-Wilk检验。

下面是一个示例代码，演示如何使用scipy库进行正态性检验：

import scipy.stats as stats

# 样本数据
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# 使用Kolmogorov-Smirnov检验
ks_statistic, ks_p_value = stats.kstest(data, 'norm')
print("Kolmogorov-Smirnov检验结果：")
print("统计量：", ks_statistic)
print("p值：", ks_p_value)

# 使用Shapiro-Wilk检验
shapiro_statistic, shapiro_p_value = stats.shapiro(data)
print("\nShapiro-Wilk检验结果：")
print("统计量：", shapiro_statistic)
print("p值：", shapiro_p_value)

在上面的示例代码中，我们使用了一个包含10个数据点的样本数据作为例子。首先，我们使用了`stats.kstest()`函数进行Kolmogorov-Smirnov检验，然后打印出了统计量和p值。接着，我们使用了`stats.shapiro()`函数进行Shapiro-Wilk检验，并打印出了相应的统计量和p值。

你可以根据自己的数据来替换`data`变量，进行正态性检验。根据检验结果中的p值，可以判断数据是否服从正态分布。如果p值小于显著性水平（通常为0.05），则可以拒绝原假设，即数据不服从正态分布；否则，不能拒绝原假设，即数据可能服从正态分布。