Mã Python để kiểm tra tính quy phạm
Show Trong hướng dẫn Python này, chúng ta sẽ tìm hiểu về "Python scipy Normal Test" để kiểm tra tính quy phạm của mẫu. Ngoài ra, chúng tôi cũng sẽ đề cập đến các chủ đề sau bằng cách sử dụng một số ví dụ
Ngoài ra, hãy kiểm tra hướng dẫn liên quan. Định mức thống kê scipy của Python Mục lục
Kiểm tra bình thường là gìTính quy phạm của dữ liệu đang được kiểm tra. Nhưng điều đó thực sự có nghĩa là gì? . ” Giá trị trung bình và độ lệch chuẩn của dữ liệu được sử dụng để xác định phân phối chuẩn, phân phối đối xứng liên tục. Dạng của phân phối chuẩn sẽ không bao giờ thay đổi, bất kể giá trị trung bình hay độ lệch chuẩn. Phân phối dữ liệu dưới đường cong là thuộc tính chính
Đọc. Số liệu thống kê scipy của Python Poisson Kiểm tra bình thường Python scipyPython Scipy có một phương thức 4 trong mô-đun 5 để kiểm tra xem một mẫu có sai lệch so với phân phối chuẩn hay khôngCú pháp được đưa ra dưới đây
Tham số ở đâu
Phương thức 4 trả về hai giá trị là thống kê và giá trị p của kiểu mảng hoặc floatHãy lấy một ví dụ để kiểm tra mẫu bằng cách làm theo các bước dưới đây Nhập các thư viện cần thiết bằng mã python bên dưới
Tạo trình tạo số ngẫu nhiên và tạo dữ liệu mảng bình thường với sự trợ giúp của trình tạo bằng mã bên dưới Kết hợp cả hai dữ liệu thành một mảng dữ liệu bằng mã bên dưới
Thực hiện kiểm tra bình thường trên mảng dữ liệu đó là mẫu bằng mã bên dưới 0Từ đầu ra, chúng ta có thể thấy giá trị p lớn hơn 0. 5 có nghĩa là mẫu không phải từ một phân phối bình thường Đây là cách kiểm tra tính quy phạm của mẫu bằng thư viện Python scipy Đọc. Python scipy Kdtree Phiên dịch thử nghiệm bình thường Python scipyĐể diễn giải bài kiểm tra bình thường, chúng ta cần biết về một giá trị trả về một phương thức 4, đó là giá trị pMỗi bài kiểm tra tính quy tắc cung cấp một giá trị P. Chúng ta phải nhận thức được giả thuyết không để hiểu bất kỳ giá trị P nào. Giả định đang được xem xét là tất cả các giá trị được rút ra từ một tổng thể có phân phối Gaussian Giá trị P cung cấp câu trả lời, Khả năng một mẫu dữ liệu ngẫu nhiên sẽ khác với lý tưởng Gaussian nhiều như những dữ liệu này nếu giả thuyết khống đó là đúng?. Nếu giá trị P lớn hơn 0. 05, câu trả lời là Có. Nếu giá trị P nhỏ hơn hoặc bằng 0. 05, câu trả lời là Không. Nếu giá trị P kiểm tra tính quy phạm cao, tôi nên rút ra kết luận gì? . Kiểm tra tính quy tắc không thể xác định rằng dữ liệu được lấy từ một mẫu phân phối Gaussian Điều duy nhất mà bài kiểm tra tính bình thường có thể làm là chỉ ra rằng sự khác biệt so với lý tưởng Gaussian không lớn hơn mức bạn dự đoán khi quan sát từ cơ hội thuần túy. Điều này thật thoải mái khi xử lý các tập dữ liệu khổng lồ. Các tập dữ liệu nhỏ hơn làm giảm khả năng của các bài kiểm tra tính quy tắc trong việc phát hiện những sai lệch nhỏ so với lý tưởng Gaussian Nếu giá trị P kiểm tra tính quy phạm thấp, tôi nên rút ra điều gì từ nó? . Giả thuyết không bị bác bỏ nếu giá trị P đủ thấp và do đó, giả thuyết thay thế—rằng dữ liệu không được lấy mẫu từ quần thể Gaussian—được chấp nhận Với các tập dữ liệu lớn, phân phối có thể khá gần với Gaussian hoặc rất xa so với nó. Bạn không thể tìm hiểu bất cứ điều gì về các bản phân phối thay thế từ bài kiểm tra tính quy tắc Chúng tôi có bốn tùy chọn nếu giá trị P của bạn đủ thấp để coi các điểm khác biệt so với phân phối Gaussian là “có ý nghĩa thống kê”
Đọc. Số liệu thống kê scipy của Python Kurtosis Python scipy Kiểm tra bình thường NanĐể xử lý các giá trị nan có thể xảy ra trong một mẫu hoặc mảng dữ liệu, phương thức Python scipy 4 hỗ trợ đối số 2. Ba lựa chọn hoặc phương pháp thay thế mà chính sách nan phải xử lý các giá trị nan được liệt kê bên dưới
Hãy sử dụng các bước sau để hiểu, sử dụng một ví dụ, cách xử lý các giá trị nan khi thực hiện kiểm tra thông thường Nhập các thư viện cần thiết bằng mã python bên dưới
Tạo một mảng chứa các giá trị nan bằng đoạn mã dưới đây 5Thực hiện các bài kiểm tra bình thường trên dữ liệu trên có chứa các giá trị nan bằng mã bên dưới 6Đoạn mã trên hiển thị đầu ra là nan theo mặc định Một lần nữa, thực hiện kiểm tra với 2 bằng với 6, tùy chọn này sẽ bỏ qua các giá trị nan trong dữ liệu và thực hiện kiểm tra 9Bây giờ, một lần nữa, thực hiện kiểm tra với 2 bằng với 8, tùy chọn này sẽ đưa ra lỗi cho các giá trị nan trong dữ liệu 2Đây là cách xử lý các giá trị nan trong dữ liệu đã cho bằng cách sử dụng tham số 2 của phương thức 4 của Python scipyraed. Thống kê scipy của Python Đa biến_Normal Trục kiểm tra bình thường Python scipyHàm Python scipy _______04 chấp nhận _______90 làm tham số để kiểm tra tính quy tắc của dữ liệu dọc theo trục cụ thể mà chúng ta đã tìm hiểu trong tiểu mục trước, “Kiểm tra thông thường thống kê scipy Python. ” Mảng hai chiều có hai trục tương ứng, một trục chạy ngang qua các cột (trục 1) và trục kia chạy dọc các hàng (trục 0) Hãy kiểm tra tính quy phạm của dữ liệu dọc theo trục cụ thể bằng cách thực hiện theo các bước bên dưới Nhập các thư viện cần thiết bằng mã python bên dưới
Tạo dữ liệu bằng mã bên dưới 1Áp dụng thử nghiệm bình thường trên dữ liệu bằng mã bên dưới 6Thực hiện lại kiểm tra với axis = 1 bằng mã bên dưới 3Bạn cũng có thể muốn đọc các hướng dẫn Python SciPy sau đây
Vì vậy, trong hướng dẫn này, chúng ta đã tìm hiểu về “Python Scipy Normal Test” và đề cập đến các chủ đề sau
Bijay Kumar Python là một trong những ngôn ngữ phổ biến nhất ở Hoa Kỳ. Tôi đã làm việc với Python trong một thời gian dài và tôi có kinh nghiệm làm việc với nhiều thư viện khác nhau trên Tkinter, Pandas, NumPy, Turtle, Django, Matplotlib, Tensorflow, Scipy, Scikit-Learn, v.v… Tôi có kinh nghiệm làm việc với nhiều khách hàng khác nhau . Kiểm tra hồ sơ của tôi |