分布检测-seaborn直观看正态分布的峰度和偏度

最新推荐文章于 2025-04-21 22:20:25 发布

原创最新推荐文章于 2025-04-21 22:20:25 发布 · 3.9k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#matlabplot #峰度和偏度

数据分析专栏收录该内容

1 篇文章

订阅专栏

本文深入探讨了偏度和峰度的概念，解释了它们如何影响数据分布，并通过实际代码演示了如何使用Python的seaborn库来检测一组正态分布数据的偏度和峰度。

峰度和偏度

偏度和峰度如何影响您的分布
 偏度(skewness)和峰度(kurtosis）

摘要

偏度Skewness定义中包括正态分布（偏度=0），右偏分布（也叫正偏分布，其偏度>0），左偏分布（也叫负偏分布，其偏度<0）
峰度Kurtosis包括正态分布（峰度值=3），厚尾（峰度值>3），瘦尾（峰度值<3）型

测试

我们随机模拟一组正态分布数据，然后用seaborn图像检测它和正态分布的拟合程度。可以看到峰度和偏度都是在0附近，说明dataframe的kurt函数峰度值是减3的。
正态分布的峰度和偏度检测

附代码

import pandas as pd
import seaborn as sns 
import numpy as np
from scipy.stats import norm
import warnings
warnings.filterwarnings('ignore')
%matplotlib inline
norm_array =np.random.normal(0,1,2000)
norm_dataframe =pd.DataFrame(norm_array,columns=['test'])
sns.distplot(norm_dataframe, fit=norm);
print("Skewness: %f" % norm_dataframe.skew())
print("Kurtosis: %f" % norm_dataframe.kurt())