qq图和pp图有什么区别

图标

豆瓜

豆瓜网

豆瓜网专栏

首发
豆瓜 图标 2020-10-17 01:01:09

一. QQ图

     分位数图示法(Quantile Quantile Plot,简称 Q-Q 图)
      统计学里Q-Q图(Q代表分位数)是一个概率图,用图形的方式比较两个概率分布,把他们的两个分位数放在一起比较。首先选好分位数间隔。图上的点(x,y)反映出其中一个第二个分布(y坐标)的分位数和与之对应的第一分布(x坐标)的相同分位数。因此,这条线是一条以分位数间隔为参数的曲线。如果两个分布相似,则该Q-Q图趋近于落在y=x线上。如果两分布线性相关,则点在Q-Q图上趋近于落在一条直线上,但不一定在y=x线上。Q-Q图可以用来可在分布的位置-尺度范畴上可视化的评估参数。

      从定义中可以看出Q-Q图主要用于检验数据分布的相似性,如果要利用Q-Q图来对数据进行正态分布的检验,则可以令x轴为正态分布的分位数,y轴为样本分位数,如果这两者构成的点分布在一条直线上,就证明样本数据与正态分布存在线性相关性,即服从正态分布。

二. PP图
       P-P图是根据变量的累积概率对应于所指定的理论分布累积概率绘制的散点图,用于直观地检测样本数据是否符合某一概率分布。如果被检验的数据符合所指定的分布,则代表样本数据的点应当基本在代表理论分布的对角线上。
       由于P-P图和Q-Q图的用途完全相同,只是检验方法存在差异。要利用QQ图鉴别样本数据是否近似于正态分布,只需看QQ图上的点是否近似地在一条直线附近,而且该直线的斜率为标准差,截距为均值.
用QQ图还可获得样本偏度和峰度的粗略信息.

scipy 画Q-Q图
fig = plt.figure()res = stats.probplot(train['SalePrice'], plot=plt)plt.show()



scipy.stats 用法

# -*- coding: utf-8 -*-from scipy import statsfrom numpy import random# Distributions# 常用分布可参考本文档结尾处# 分布可以使用的方法见下列清单data=random.normal(size=1000)stats.norm.rvs(loc=0,scale=1,size=10,random_state=None)     # 生成随机数stats.norm.pdf(-1.96,loc=0,scale=1)                         # 密度分布函数,画密度分布图时使用stats.norm.cdf(-1.96,loc=0,scale=1)                         # 累计分布函数,-1.96对应2.5%stats.norm.sf(-1.96,loc=0,scale=1)                          # 残存函数(=1-cdf),-1.96对应97.5%stats.norm.ppf(0.025,loc=0,scale=1)                         # 累计分布函数反过来stats.norm.isf(0.975,loc=0,scale=1)                         # 残存函数反过来stats.norm.interval(0.95,loc=0,scale=1)                     # 置信度为95%的置信区间stats.norm.moment(n=2,loc=0,scale=1)                        # n阶非中心距,n=2时是方差stats.norm.median(loc=0,scale=1)                            # Median of the distribution.stats.norm.mean(loc=0,scale=1)                              # Mean of the distribution.stats.norm.var(loc=0,scale=1)                               # Variance of the distribution.stats.norm.std(loc=0,scale=1)                               # Standard deviation of the distribution.stats.norm.fit(data)                                        # fit 估计潜在分布的参数# Statistical functionsstats.describe([1,2,3])                                                 # 返回多个统计量stats.gmean([1,2,4])                                                    # 几何平均数 n-th root of (x1 * x2 * ... * xn)stats.hmean([2,2,2])                                                    # 调和平均数 n / (1/x1 + 1/x2 + ... + 1/xn)stats.trim_mean([1,2,3,5],0.25)                                         # 砍头去尾均值,按比例砍stats.sem(data)                                                         # Calculates the standard error of the meanstats.mode([1,1,2])                                                     # 众数stats.skew(data)                                                        # 偏度stats.kurtosis(data)                                                    # 峰度stats.moment(data,moment=3)                                             # n阶中心矩,3阶就是偏度,4阶就是峰度stats.skewtest(data)                                                    # 检验偏度是否符合正态分布的偏度stats.kurtosistest(data)                                                # 检验峰度是否符合正态分布的峰度stats.normaltest(data)                                                  # 检验是否符合正态分布stats.variation([1,2,3])                                                # 变异系数(=std/mean*100%)stats.find_repeats([1,1,2,2,3])                                         # 重复值查找stats.itemfreq([1,1,2,2,3])                                             # 频次统计stats.percentileofscore([1,2,3,4,5],2)                                  # 返回数值的分位数stats.scoreatpercentile([1,2,3,4,5],80,interpolation_method="lower")    # 返回分位数对应的数值stats.bayes_mvs(data)                                                   # 返回均值/方差/标准差的贝叶斯置信区间stats.iqr([1,2,3,4,5],rng=(25,75))                                      # 计算 IQRstats.zscore(data)                                                      # 计算 zscore
stats.f_oneway(data,data+data,data+data+data)                           # 单因素方差分析,参数是(样本组1,样本组2,样本组3)stats.pearsonr(data,data+data)                                          # 皮尔森相关系数stats.spearmanr(data,data+data)                                         # 斯皮尔曼秩相关系数stats.kendalltau(data,data+data)                                        # 肯德尔相关系数stats.pointbiserialr([1,1,1,0,0,0],[1,2,3,4,5,6])                       # 点二系列相关,第一个变量需要是二分类变量stats.linregress(data,data+data)                                        # 线性最小二乘回归stats.ttest_1samp(data,popmean=0)                                                               # 单样本 t-检验: 检验总体平均数的值stats.ttest_ind(data,data+data)                                                                 # 双样本 t-检验: 检验不同总体的差异stats.ttest_rel(data,data+data)                                                                 # 配对样本 t-检验stats.ttest_ind_from_stats(mean1=0,std1=1,nobs1=100,mean2=10,std2=1,nobs2=150,equal_var=True)   # 根据统计量做 t-检验stats.wilcoxon(data,data+data)                                                                  # 一种非参数的配对样本检验。t-检验假定高斯误差。可以使用威尔科克森符号秩检验, 放松了这个假设stats.kstest(data,'norm')                                                                       # Kolmogorov–Smirnov检验: 检验单一样本是否服从某一预先假设的特定分布stats.ks_2samp(data,data+data)                                                                  # 检测两样本分布是否相同stats.ranksums(data,data+data)                                                                  # Wilcoxon rank-sum statistic 检测两样本分布是否相同stats.chisquare(data,data)                                                                      # 卡方检验,第一个参数是样本分布,第二个参数是期望分布# Circular statistical functions# 适用于环形数据,如时间(60分钟一圈),角度(360度一圈)# 例如 0度 与 360度 的均值应该是 0度stats.circmean([0,360],high=0,low=360)      # 均值stats.circvar([0,360],high=0,low=360)       # 方差stats.circstd([0,360],high=0,low=360)       # 标准差# Contingency table functions# 列联表stats.chi2_contingency([[10,10,20],[20,20,20]],lambda_="log-likelihood")        # 卡方检验,n*m的列联表,每个格子样本数要大于5,lambda_默认皮尔森stats.fisher_exact([[8,2],[1,5]],alternative="two-sided")                       # 费舍尔精确检验,2*2的列联表,alternative:two-sided,less,greaterstats.contingency.expected_freq([[10,10,20],[20,20,20]])                        # 返回列联表的期望频次(各变量独立时的预期频次)import numpy as np; stats.contingency.margins(np.array([[10,10,20],[20,20,20]]))# 返回列联表的行列和# Plot-tests# 图检验:probplot与Q-Q图的差异:P-P图是用分布的累计比,而Q-Q图用的是分布的分位数来做检验import matplotlib.pyplot as pltdata=random.normal(loc=0,scale=1,size=500)stats.probplot(data,dist=stats.norm,sparams=(0,1),plot=plt) # P-P图(probability plot),参数sparams传的是均值与标准差stats.boxcox_normplot(abs(data),-3,3,plot=plt)              # 不知干啥用,Compute parameters for a Box-Cox normality plotstats.ppcc_plot(data,-3,3,dist=stats.norm,plot=plt)         # 不知干啥用,Calculate and optionally plot probability plot correlation coefficient.stats.ppcc_max(data,dist=stats.norm)                        # 不知干啥用,返回 PPCC 取最大时对应的位置# Univariate and multivariate kernel density estimation# 核密度估计用于估计未知的密度函数,属於非参数检验方法之一stats.gaussian_kde([data,data+random.normal(size=500)])     # 不知干啥用,Representation of a kernel-density estimate using Gaussian kernels.""" ---------------------------------------------------------------------------------------------------------所有分布都是 rv_continuous(连续型分布) 与 rv_discrete(离散型分布) 的实例rv_continuous([momtype, a, b, xtol, ...])   A generic continuous random variable class meant for subclassing.rv_discrete([a, b, name, badvalue, ...])    A generic discrete random variable class meant for subclassing.rv_histogram(histogram, *args, **kwargs)    Generates a distribution given by a histogram.Continuous distributions 连续型分布alpha   An alpha continuous random variable.beta    A beta continuous random variable.chi2    A chi-squared continuous random variable.f       An F continuous random variable.gamma   A gamma continuous random variable.lognorm A lognormal continuous random variable.ncx2    A non-central chi-squared continuous random variable.ncf     A non-central F distribution continuous random variable.nct     A non-central Student’s T continuous random variable.norm    A normal continuous random variable.pareto  A Pareto continuous random variable.t       A Student’s T continuous random variable.uniform A uniform continuous random variable.wald    A Wald continuous random variable.……Multivariate distributions 多元分布multivariate_normal A multivariate normal random variable.matrix_normal       A matrix normal random variable.multinomial         A multinomial random variable.random_correlation  A random correlation matrix.……Discrete distributions 离散型分布binom       A binomial discrete random variable.hypergeom   A hypergeometric discrete random variable.nbinom      A negative binomial discrete random variable.poisson     A Poisson discrete random variable.randint     A uniform discrete random variable.


本文由豆瓜网专栏作家 豆瓜 投稿发布,并经过豆瓜网编辑审核。

转载此文章须经作者同意,并附上出处(豆瓜网)及本页链接。

若稿件文字、图片、视频等内容侵犯了您的权益,请联系本站进行 投诉处理

相关搜索

qq图
图标 图标

豆瓜

豆瓜网

豆瓜网专栏

  • qq图和pp图有什么区别

    qq图和pp图有什么区别

    图标
    豆瓜 图标 · 今天 01:01:09 · 0浏览
  • cloneable方法

    图标
    豆瓜 图标 · 今天 00:59:48 · 5浏览
  • response.setheader怎么使用

    图标
    豆瓜 图标 · 今天 00:53:33 · 7浏览
  • 全部评论

    豆瓜

    豆瓜网

    豆瓜网专栏

  • qq图和pp图有什么区别
  • cloneable方法
  • response.setheader怎么使用
  • ipage分页功能说明
  • java下载文件功能怎么实现
  • 我来说两句