python 如何检验数据正态分布_用 Python 检验数据正态分布的几种方法

Python 中可以使用多种方法来检验数据是否服从正态分布，以下是几种常用的方法：

1. Shapiro-Wilk检验

Shapiro-Wilk检验是一种常用的正态性检验方法，能够检验样本是否符合正态分布。在 Python 中可以使用 `scipy.stats` 库中的 `shapiro` 函数来实现。

示例代码：

from scipy import stats

data = [1, 2, 3, 4, 5]  # 假设数据为正态分布
stat, p = stats.shapiro(data)
print('stat=%.3f, p=%.3f' % (stat, p))
alpha = 0.05
if p > alpha:
    print('样本符合正态分布')
else:
    print('样本不符合正态分布')

2. Kolmogorov-Smirnov检验

Kolmogorov-Smirnov检验也是一种常用的正态性检验方法，能够检验样本是否符合正态分布。在 Python 中可以使用 `scipy.stats` 库中的 `kstest` 函数来实现。

示例代码：

from scipy import stats

data = [1, 2, 3, 4, 5]  # 假设数据为正态分布
stat, p = stats.kstest(data, 'norm')
print('stat=%.3f, p=%.3f' % (stat, p))
alpha = 0.05
if p > alpha:
    print('样本符合正态分布')
else:
    print('样本不符合正态分布')

3. Anderson-Darling检验

Anderson-Darling检验也是一种常用的正态性检验方法，能够检验样本是否符合正态分布。在 Python 中可以使用 `scipy.stats` 库中的 `anderson` 函数来实现。

示例代码：

from scipy import stats

data = [1, 2, 3, 4, 5]  # 假设数据为正态分布
result = stats.anderson(data)
print('stat=%.3f' % result.statistic)
for i in range(len(result.critical_values)):
    sl, cv = result.significance_level[i], result.critical_values[i]
    if result.statistic < cv:
        print('%.3f: %.3f, data looks normal (fail to reject H0)' % (sl, cv))
    else:
        print('%.3f: %.3f, data does not look normal (reject H0)' % (sl, cv))

以上是常用的几种方法来检验数据是否符合正态分布，具体使用哪种方法需要根据实际情况来选择。