在python中除了normaltest如何检验一组数据是否符合正态分布

除了使用 `normaltest` 函数之外，还可以使用 `Shapiro-Wilk` 检验和 `Kolmogorov-Smirnov` 检验来检验一组数据是否符合正态分布。

1. Shapiro-Wilk检验

`Shapiro-Wilk` 检验是一种常用的检验数据是否符合正态分布的方法。在Python中，可以使用 `shapiro` 函数来进行检验。示例如下：

from scipy.stats import shapiro
import numpy as np

data = np.random.normal(0, 1, 1000) # 生成一组正态分布的数据
stat, p = shapiro(data)

print('统计量:', stat)
print('p值:', p)

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

其中，`shapiro` 函数返回两个值，第一个是统计量，第二个是p值。如果p值小于显著性水平（通常是0.05），则可以拒绝原假设，认为数据不符合正态分布；否则，不能拒绝原假设，认为数据符合正态分布。

2. Kolmogorov-Smirnov检验

`Kolmogorov-Smirnov` 检验也是一种常用的检验数据是否符合正态分布的方法。在Python中，可以使用 `kstest` 函数来进行检验。示例如下：

from scipy.stats import kstest
import numpy as np

data = np.random.normal(0, 1, 1000) # 生成一组正态分布的数据
stat, p = kstest(data, 'norm')

print('统计量:', stat)
print('p值:', p)

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

其中，`kstest` 函数返回两个值，第一个是统计量，第二个是p值。如果p值小于显著性水平（通常是0.05），则可以拒绝原假设，认为数据不符合正态分布；否则，不能拒绝原假设，认为数据符合正态分布。需要注意的是，`kstest` 函数的第二个参数是指定所使用的分布类型，这里指定为 `norm` 表示使用正态分布进行检验。