Scipy Kurtosis

Python ist als allgemeine Software-Programmiersprache beliebt, die für mehrere Anwendungen funktioniert. Diese Sprache umfasst objektorientierte, mathematische Operationen, Datenstrukturen und funktionale Programmierung. Scipy ist ein Bibliothekspaket, das Python für die Datenanalyse bereitstellt und die verschiedenen maschinellen Lernvorgänge ausführen, die Algorithmen, Optimierer, Integration, Interpolation und Differentialgleichungen umfassen. Scipy bietet die Funktionskurtosis aus seinem Modul „Statistiken“ an. Es ist bekannt.

Verfahren:

Der Artikel folgt der Methode Scipy Kurtosis (), um herauszufinden, wie die Informationen auf den Schwänzen verteilt sind oder wie stark der Schwanz der Verteilung aus der Normalverteilung stammt. Das Phänomen und die Methode, die Kurtosis der Skipy mit seinen gegebenen Eingabeparametern aufzurufen, wird in diesem Artikel erläutert. Das Python -Programm, mit dem wir die Python -Codes ausführen und ausführen werden, ist die "Google Collaby", die "Google Collaby" ausführen und ausführen wird. Es handelt sich um eine Online-Plattform für Open-Source.

Syntax:

Um die Funktion kurtosis () in unserem Programm aufzurufen, müssen wir die Syntax für die Funktion kennen und sollten uns auch des Eingabarguments bewusst sein, dass die Funktion die Funktion ordnungsgemäß funktioniert und die erforderliche Ausgabe zurückgibt. Die Funktion kurtosis () im Python -Skript kann geschrieben werden als:

$ scipy.Statistiken.Kurtosis (a, axis = 0, fisher = true, bias = true)

Das „A“ in der Parameterliste definiert die Daten oder das Array, dessen Kurtosis wir berechnen möchten. Die Achse ist die Achse, in der wir die Kurtosis finden wollen. Der letzte Parameter in der Parameterliste ist der Fischer. Wenn dieser Parameter auf boolean true eingestellt ist, berechnet dies die Fisher Kurtosis. Andernfalls findet es im Falle von Falsch die Kurtosis des Pearson.

Rückgabewert:

Der Rückgabewert der Kurtosis -Funktion ist der Wert der Kurtosis selbst. Wenn es positiv ist, bedeutet dies, dass es in der Verteilung genügend Ausreißer gibt. Im Falle des negativen Wertes für die Kurtosis wird festgestellt, dass die Verteilung im Vergleich zur Normalverteilung gleichmäßiger ist.

Beispiel 1:

Lassen Sie uns ein Beispiel für Kurtosis mit den Parametern lösen, die wir in der Syntax besprochen haben. Um die Kurtosis -Funktion zu verwenden, müssen wir die Zufallsvariablen als Daten für die Kurtosis -Funktion definieren, damit die Kurtosis die Verteilung ihrer Beobachtungen an den Schwänzen und den Spitzenwerten überprüfen kann. Um die zufälligen Variablen zu definieren, gibt es eine andere Methode: „Norm. RVS ”, ein Attribut aus dem Modul„ Scipy Statistics “. Also importieren wir die Norm aus den Statistiken als „aus Scipy. Statistiken importieren Norm “. Um die Zufallsvariablen mit der Größe „4000“ mit Hilfe der Normfunktion zu erzeugen, schreiben Sie nun „Statistiken. Norm. RVS (size = 4000, random_state = 5) ”.

Wenn wir aus dem Modul der spezifischen Bibliothek auf das Attribut zugreifen die Funktion, ordnungsgemäß zu funktionieren. Wir speichern diese zufällig generierten Daten in einer Variablen mit dem Namen "Data_". Jetzt ist es an der Zeit, die Kurtosis für diese zufällig generierten Daten zu berechnen. Wir können dies tun, indem wir diesen Parameter einfach an den Eingabeparameter der Kurtosis () -Funktion mit einem anderen angegebenen Parameter übergeben.

Wir importieren die Kurtosis -Funktion aus der „Scipy. Statistiken". Dann verwenden wir dieses importierte Kurtosis -Modul im Programm. Wir nennen die Kurtosis mit den Präfix -Statistiken als „Statistiken“. Kurtosis (Data_, fisher = true) ”. Beachten Sie, dass wir das "Data_" als Eingabebereich geben und den Fisher für Boolesche "wahr" angeben, um die Fisher Kurtosis zu berechnen. Führen Sie den folgenden definierten Code aus und führen Sie sie aus, um den Kurtosis -Wert im Programm auszuführen:

Die Ausgabe der Funktion ist ein negativer Wert, der dem „- 0) entspricht.0322 16 ”. Dies bedeutet, dass die Wahrscheinlichkeitsdichtefunktion in der Verteilung gleichmäßiger ist als die Normalverteilung.

Beispiel 2:

Wir führen jetzt die Kurtosis von Pearson durch, um die Temperatur der Verteilung der Daten zu überprüfen. Wir starten dieses Beispiel, indem wir ein neues Projekt in der "Google Collaby" erstellen. Dann beginnen wir das Programm zu schreiben, indem wir einige wichtige Bibliotheken und ihre abhängigen Module in das Projekt importieren. Wir importieren die „Kurtosis“ und die „Norm .Wohnmobile “aus dem Scipy -Statistikmodul. Die Norm.RVS erlauben uns, die zufälligen Variablen zu generieren. Dann übergeben wir diese Daten an die Kurtosis -Methode.

Jetzt nennen wir die „Statistiken. Norm. Wohnmobile (Größe = 5000, Random_State = 5) ”Methode. Dies erzeugt die Verteilung für die 5000 Zufallsvariablen. Wir übergeben diese Daten als Eingangsarray an die Kurtosis -Funktion. Dieses Mal setzen wir den Fisher -Parameterwert, der dem Booleschen „Falsch“ entspricht, gleich. Dann zeigen wir die Ergebnisse aus dem Programm an. Das Programm für dieses Beispiel ist in der folgenden Abbildung dargestellt:

Nachdem wir das zuvor erwähnte Programm ausgeführt hatten. Dieser positive Wert für die Kurtosis gibt an, dass es mehr Ausreißer bei der Verteilung dieser Daten gibt. Daher ist es im Vergleich zu seiner Normalverteilung nicht gleichmäßiger.

Abschluss

Die Methode zur Implementierung der Skipy -Kurtosis -Funktion wird in diesem Artikel erklärt und praktisch demonstriert. Wir haben Kurtosis verwendet, um das Maß dafür zu ermitteln, wie die Daten im Peak verteilt sind, und die Schwanzwerte der Verteilung. Wir haben sowohl die Pearson's als auch die Fisher Kurtosis berechnet, um über den Unterschied zu erfahren, den beide Methoden in ihren Ausgaben halten.