(q-q图) q-q图原理详解及python实现
Q-Q图是一种概率图,它可以帮助我们校验数据是否服从某种分布。原理是,如果两个数据集来自同一分布,那么这两个数据集的分位数应该很相似,故我们可以通过比较一个数据集的分位数和理论分位数来看这个数据集是否来自该理论分布。
在Python中,我们可以使用scipy.stats
模块的probplot
函数来生成Q-Q图。以下是一个简单的例子:
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
# 随机生成100个服从正态分布的数据
data = np.random.normal(loc=0.0, scale=1.0, size=100)
# 使用scipy的probplot生成q-q图,其中第二个参数dist指定理论分布(这里指定为正态分布)
stats.probplot(data, dist="norm", plot=plt)
# 设置图表标题以及x,y轴的标签
plt.title('Normal Q-Q plot')
plt.xlabel('Theoretical quantiles')
plt.ylabel('Sample quantiles')
# 显示q-q图
plt.show()
在上述代码中,我们首先生成了100个服从正态分布的随机数,然后使用scipy.stats.probplot
函数来生成Q-Q图。参数dist="norm"
表示我们假定数据应该服从正态分布。
这个Q-Q图的x轴是理论分位数(在这里是标准正态分布的分位数),y轴是样本的分位数。如果样本数据确实服从正态分布,那么绘制出的点应该在直线y=x附近。
这就是Q-Q图的原理及其在Python中的实现。你可以对上面的代码进行修改以适应你的特定需要,例如改变数据,改变预期的理论分布等。
(python counter) 详解Python Counter过滤和约分原始数据 Python Counter模块用于数据统计 全网首发(图文详解1)
(evb) 什么是EVB?EVB技术的简单介绍 以太网虚拟桥接技术简介 全网首发(图文详解1)