Python dask.array.stats.kurtosis用法及代碼示例

用法: dask.array.stats.kurtosis(a, axis=0, fisher=True, bias=True, nan_policy='propagate')

計算數據集的峰度(Fisher 或 Pearson)。

此文檔字符串是從 scipy.stats.kurtosis 複製而來的。

可能存在與 Dask 版本的一些不一致之處。

峰度是第四個中心矩除以方差的平方。如果使用 Fisher 的定義，則從結果中減去 3.0，得到正態分布的 0.0。

如果偏差為 False，則使用 k 統計量計算峰度以消除來自偏差矩估計器的偏差

使用kurtosistest 查看結果是否足夠接近正常。

參數：

a：數組: 計算峰度的數據。
axis：int 或 None，可選: 計算峰度的軸。默認值為 0。如果沒有，則計算整個數組 a 。
fisher：布爾型，可選: 如果為 True，則使用 Fisher 的定義(正常 ==> 0.0)。如果為 False，則使用 Pearson 的定義(正常 ==> 3.0)。
bias：布爾型，可選: 如果為 False，則針對統計偏差校正計算。
nan_policy：{‘propagate’, ‘raise’, ‘omit’}，可選: 定義當輸入包含 nan 時如何處理。 ‘propagate’ 返回 nan，‘raise’ 引發錯誤，‘omit’ 執行忽略 nan 值的計算。默認為‘propagate’。

kurtosis：數組: 沿軸的值的峰度。如果所有值都相等，Fisher 定義返回 -3，Pearson 定義返回 0。

參考：

1: Zwillinger, D. 和 Kokoska, S. (2000)。 CRC 標準概率和統計表和公式。查普曼和霍爾：紐約。 2000 年。

例子：

在 Fisher 的定義中，正態分布的峰度為零。在以下示例中，峰度接近於零，因為它是根據數據集計算的，而不是根據連續分布計算的。

>>> from scipy.stats import norm, kurtosis  
>>> data = norm.rvs(size=1000, random_state=3)  
>>> kurtosis(data)  
-0.06928694200380558

具有較高峰度的分布具有較重的尾部。 Fisher 定義中正態分布的零值峰度可以作為參考點。

>>> import matplotlib.pyplot as plt  
>>> import scipy.stats as stats  
>>> from scipy.stats import kurtosis

>>> x = np.linspace(-5, 5, 100)  
>>> ax = plt.subplot()  
>>> distnames = ['laplace', 'norm', 'uniform']

>>> for distname in distnames:  
...     if distname == 'uniform':
...         dist = getattr(stats, distname)(loc=-2, scale=4)
...     else:
...         dist = getattr(stats, distname)
...     data = dist.rvs(size=1000)
...     kur = kurtosis(data, fisher=True)
...     y = dist.pdf(x)
...     ax.plot(x, y, label="{}, {}".format(distname, round(kur, 3)))
...     ax.legend()

拉普拉斯分布的尾部比正態分布重。均勻分布(具有負峰度)的尾部最薄。

相關用法

注：本文由純淨天空篩選整理自dask.org大神的英文原創作品 dask.array.stats.kurtosis。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

參考：

例子：