normaltest#
- scipy.stats.normaltest(a, axis=0, nan_policy='propagate', *, keepdims=False)[源代码]#
测试样本是否与正态分布不同。
此函数测试样本来自正态分布的零假设。它基于 D’Agostino 和 Pearson 的 [1], [2] 测试,该测试结合了偏度和峰度,以产生正态性的综合测试。
- 参数:
- aarray_like
包含要测试的样本的数组。必须包含至少八个观察值。
- axisint 或 None, 默认值: 0
如果为 int,则为计算统计量的输入轴。输入的每个轴切片(例如行)的统计信息将显示在输出的相应元素中。 如果为
None
,则在计算统计量之前将展平输入。- nan_policy{‘propagate’, ‘omit’, ‘raise’}
定义如何处理输入 NaN。
propagate
: 如果在计算统计量的轴切片(例如行)中存在 NaN,则输出的相应条目将为 NaN。omit
: 执行计算时将省略 NaN。如果在计算统计量的轴切片中剩余的数据不足,则输出的相应条目将为 NaN。raise
: 如果存在 NaN,将引发ValueError
。
- keepdimsbool, 默认值: False
如果设置为 True,则将缩小的轴保留在结果中,作为大小为 1 的维度。 使用此选项,结果将正确地广播到输入数组。
- 返回:
- statisticfloat 或 array
s^2 + k^2
, 其中s
是由skewtest
返回的 z 分数,而k
是由kurtosistest
返回的 z 分数。- pvaluefloat 或 array
假设检验的 2 侧卡方概率。
参见
- 正态性检验
扩展示例
注释
从 SciPy 1.9 开始,
np.matrix
输入(不建议用于新代码)在执行计算之前转换为np.ndarray
。 在这种情况下,输出将是标量或适当形状的np.ndarray
,而不是 2Dnp.matrix
。 同样,虽然会忽略屏蔽数组的屏蔽元素,但输出将是标量或np.ndarray
,而不是mask=False
的屏蔽数组。normaltest
除了 NumPy 之外,还对 Python Array API Standard 兼容后端提供实验性支持。 请考虑通过设置环境变量SCIPY_ARRAY_API=1
并提供 CuPy、PyTorch、JAX 或 Dask 数组作为数组参数来测试这些功能。 支持以下后端和设备(或其他能力)的组合。库
CPU
GPU
NumPy
✅
不适用
CuPy
不适用
✅
PyTorch
✅
✅
JAX
⚠️ 无 JIT
⚠️ 无 JIT
Dask
⚠️ 计算图
不适用
有关更多信息,请参见对数组 API 标准的支持。
参考文献
[1]D’Agostino, R. B. (1971), “An omnibus test of normality for moderate and large sample size”, Biometrika, 58, 341-348
[2]D’Agostino, R. and Pearson, E. S. (1973), “Tests for departure from normality”, Biometrika, 60, 613-622
示例
>>> import numpy as np >>> from scipy import stats >>> rng = np.random.default_rng() >>> pts = 1000 >>> a = rng.normal(0, 1, size=pts) >>> b = rng.normal(2, 1, size=pts) >>> x = np.concatenate((a, b)) >>> res = stats.normaltest(x) >>> res.statistic 53.619... # random >>> res.pvalue 2.273917413209226e-12 # random
有关更详细的示例,请参见正态性检验。