在我以前的文章初學者數(shù)據(jù)科學統(tǒng)計指南和推斷統(tǒng)計數(shù)據(jù)科學家應(yīng)該知道中，我們討論了幾乎所有的統(tǒng)計基本知識(描述性和推斷性)，它們通常用于理解和處理任何數(shù)據(jù)科學案例研究。在這篇文章中，讓我們稍微超越一下，討論一些不在討論范圍內(nèi)的高級概念。

Q-Q（分位數(shù)-分位數(shù)）圖

在了解QQ劇情之前，先了解什么是分位數(shù)？

分位數(shù)定義了數(shù)據(jù)集的特定部分，即分位數(shù)決定了一個分布中有多少值高于或低于某個極限。特殊分位數(shù)是四分位數(shù)（四分之一）、五分位數(shù)（第五分）和百分位數(shù)（第一百分）。

示例:

如果我們把一個分布分成四個相等的部分，我們就說四個四分位數(shù)。第一個四分位數(shù)包括小于所有值四分之一的所有值。在圖形表示中，它對應(yīng)于分布總面積的25%。兩個較低的四分位數(shù)占所有分布值的50%。第一個四分位數(shù)和第三個四分位數(shù)之間的四分位數(shù)范圍等于圍繞平均值分布的所有值的50%所在的范圍。

在統(tǒng)計學中，q-q（分位數(shù)-分位數(shù)）圖是通過將兩組分位數(shù)相對于另一組繪制而形成的散點圖。如果兩組分位數(shù)來自相同的分布，我們應(yīng)該看到這些點形成了一條大致直線(y=x)。

例如，中位數(shù)是一個分位數(shù)，其中50%的數(shù)據(jù)低于該點，50%位于該點之上。Q Q圖的目的是找出兩組數(shù)據(jù)是否來自相同的分布。在Q Q圖上繪制45度角；如果兩個數(shù)據(jù)集來自一個共同的分布，那么點將落在那個參考線上。

對于你來說，了解分布是否正常是非常重要的，以便對數(shù)據(jù)應(yīng)用各種統(tǒng)計度量，并以更易于理解的可視化方式解釋數(shù)據(jù)，它們的Q-Q圖就出現(xiàn)在畫面中。Q-Q圖回答的最基本的問題是曲線是否正態(tài)分布。

正態(tài)分布，但為什么？

Q-Q圖用于尋找隨機變量的分布類型，無論是高斯分布，均勻分布，指數(shù)分布，甚至帕累托分布等。

你可以用Q-Q圖的冪來判斷分布的類型，只需看一下圖就可以了。一般來說，我們談?wù)?a href='/map/zhengtaifenbu/' style='color:#000;font-size:inherit;'>正態(tài)分布只是因為我們有一個非常漂亮的概念，即68-95-99.7規(guī)則，它完美地符合正態(tài)分布，所以我們知道有多少數(shù)據(jù)位于均值的第一標準差、第二標準差和第三標準差的范圍內(nèi)。因此，知道一個分布是否正態(tài)為我們打開了新的嘗試之門

斜Q-Q圖

Q-Q圖可以找到分布的偏度（不對稱的度量）。

如果Q-Q圖的底端偏離直線，但上端不偏離直線，則分布左偏斜（負偏斜）。

現(xiàn)在，如果Q-Q圖的上端偏離星光線，而下端不偏離，那么分布右偏（正偏）。

尾Q-Q圖

Q-Q圖可以找到分布的峰度（尾度的度量）。

帶有胖尾的分布將使Q-Q圖的兩端偏離直線，其中心跟隨直線，其中作為細尾分布，將在兩端偏差很小或可忽略不計的Q-Q圖項，從而使其完美地適合于正態(tài)分布。

Python中的Q-Q圖（源碼）

假設(shè)我們有以下100個值的數(shù)據(jù)集:

導入numpy作為np

#使用100遵循正態(tài)分布的值創(chuàng)建數(shù)據(jù)集 np。隨機。種子(0) 數(shù)據(jù)=np。隨機。

#查看第一個10值
數(shù)據(jù)[:10

array([ 1.76405235,  0.40015721,  0.97873798,  2.2408932 ,  1.86755799,
       -0.97727788,  0.95008842, -0.15135721, -0.10321885,  0.4105985 ])

要為該數(shù)據(jù)集創(chuàng)建Q-Q圖，我們可以使用statsmodels庫中的qqplot（）函數(shù)：

import statsmodels.api as sm import matplotlib.pyplot as plt

#create Q-Q plot with 45-degree line added to plot
fig = sm.qqplot(data, line='45') plt.show()

在Q-Q圖中，X軸顯示理論分位數(shù)。這意味著它不會顯示您的實際數(shù)據(jù)，而是表示如果數(shù)據(jù)是正態(tài)分布的數(shù)據(jù)將在哪里。

y軸顯示您的實際數(shù)據(jù)。這意味著，如果數(shù)據(jù)值沿45度角的大致直線下降，那么數(shù)據(jù)是正態(tài)分布的。

我們可以在上面的Q-Q圖中看到，數(shù)據(jù)值傾向于密切遵循45度，這意味著數(shù)據(jù)很可能是正態(tài)分布的。這并不奇怪，因為我們使用numpy.random.normal（）函數(shù)生成了100個數(shù)據(jù)值。

相反，如果我們生成了一個由100個均勻分布的值組成的數(shù)據(jù)集，并為該數(shù)據(jù)集創(chuàng)建了一個Q-Q圖：

#create dataset of 100 uniformally distributed values data = np.random.uniform(0,1, 1000) #generate Q-Q plot for the dataset fig = sm.qqplot(data, line='45') plt.show()

切比雪夫不等式

In probability, Chebyshev’s Inequality, also known as “Bienayme-Chebyshev” Inequality guarantees that, for a wide class of probability distributions, only a definite fraction of values will be found within a specific distance from the mean of a distribution.

切比雪夫不等式類似于經(jīng)驗規(guī)則(68-95-99.7)；但是，后一規(guī)則只適用于正態(tài)分布。切比雪夫的不等式范圍更廣；它可以應(yīng)用于任何分布，只要分布包括一個定義的方差和均值。

因此，切比雪夫不等式說，樣本中的數(shù)據(jù)至少(1-1/k^2)必須落在均值的k標準差內(nèi)（或者等價地，分布的值不能超過均值的1/k^2標準差）。

其中k-->正實數(shù)

如果數(shù)據(jù)不是正態(tài)分布的，那么不同數(shù)量的數(shù)據(jù)可能在一個標準差中。Chebyshev不等式提供了一種方法，可以知道在任何數(shù)據(jù)分布的均值的k標準差內(nèi)有多少數(shù)據(jù)。

切比雪夫不等式具有重要價值，因為它可以應(yīng)用于任何有均值和方差的概率分布。

讓我們考慮一個例子，假設(shè)1000名參賽者參加一個工作面試，但只有70個職位可用。為了從所有參賽者中選出最優(yōu)秀的70名參賽者，東主進行測試，以判斷他們的潛力。測試的平均分是60，標準差是6。如果申請人得了84分，他們能認為他們得到了這份工作嗎？

結(jié)果顯示，大約63人的分數(shù)在60分以上，所以有70個職位可供選擇，一個得分84分的參賽者可以肯定他們得到了這份工作。

切比雪夫不等式 in Python(Source)

創(chuàng)建一個有1,000,000個值的總體，我使用形狀=2和規(guī)模=2的gamma分布（也適用于其他分布）。

導入numpy為np 導入隨機 導入matplotlib.pyplot為plt #用創(chuàng)建人口 形狀，比例=2.，2。#mean=4,std=2*sqrt(2)
mu=形狀*尺度#均值和標準差
sigma=Scale*np.sqrt（形狀）

s=NP.Random.Gamma（形狀，尺度，1000000)

現(xiàn)在從人口中取樣10,000個值。

#sample 10000 values rs = random.choices(s, k=10000)

計數(shù)與期望值的距離大于k個標準差的樣本，并使用計數(shù)來計算概率。我想描述當k增加時，概率的趨勢，所以我使用k從0.1到3的范圍。

#set k ks = [0.1,0.5,1.0,1.5,2.0,2.5,3.0] #probability list probs = [] #for each k for k in ks: #start count c = 0
    for i in rs: # count if far from mean in k standard deviation
        if abs(i - mu) > k * sigma :
            c += 1
    probs.append(c/10000)

繪制結(jié)果：

plot = plt.figure(figsize=(20,10)) #plot each probability plt.xlabel('K')
plt.ylabel('probability')
plt.plot(ks,probs, marker='o')
plot.show() #print each probability print("Probability of a sample far from mean more than k standard deviation:")
for i, prob in enumerate(probs):
    print("k:" + str(ks[i]) + ", probability: " 
          + str(prob)[0:5] + 
          " | in theory, probability should less than: " 
          + str(1/ks[i]**2)[0:5])

從上面的圖和結(jié)果可以看出，隨著k的增大，概率在減小，每個k的概率遵循不等式。而且，只有k大于1的情況才有用。如果k小于1，則不等式的右側(cè)大于1，這是沒有用的，因為概率不能大于1。

對數(shù)正態(tài)分布

In probability theory, a Log-normal distribution also known as Galton's distribution is a continuous probability distribution of a random variable whose logarithm is normally distributed.

因此，如果隨機變量X是對數(shù)正態(tài)分布的，那么y=ln(X)是正態(tài)分布的。等價地，如果Y具有正態(tài)分布，則Y的指數(shù)函數(shù)即X=exp(Y),具有對數(shù)正態(tài)分布。

具有低均值和高方差且所有正值的偏態(tài)分布適合于這種類型的分布。對數(shù)正態(tài)分布的隨機變量只取正實值。

對數(shù)正態(tài)分布的概率密度函數(shù)的一般公式是：

位置和尺度參數(shù)等價于隨機變量對數(shù)的均值和標準差。

對數(shù)正態(tài)分布的形狀由3個參數(shù)定義：

1. σ是形狀參數(shù)，（是分布對數(shù)的標準差）
2. θ或μ是位置參數(shù)（是分布的平均值）
3. M是比例參數(shù)（也是分布的中位數(shù)）

位置和尺度參數(shù)等價于上述隨機變量對數(shù)的均值和標準差。

如果x=θ，則f(x)=0。θ=0和m=1的情況稱為標準對數(shù)正態(tài)分布。θ等于零的情況稱為2參數(shù)對數(shù)正態(tài)分布。

下圖說明了位置(μ)和形狀(σ)參數(shù)對對數(shù)正態(tài)分布概率密度函數(shù)的影響：

對數(shù)正態(tài)分布 in Python(Source)

讓我們考慮一個示例，使用scipy.stats.lognorm函數(shù)從μ=1和σ=0.5的對數(shù)正態(tài)分布生成隨機數(shù)。

導入numpy作為np 導入matplotlib.pyplot為plt 從scipy.stats導入lognorm

NP.Random.Seed（42）

data=lognorm.rvs(S=0.5,loc=1,Scale=1000,size=1000)

PLT.FIGH（圖=(10,6))
ax=PLT.次圖（111）
plt.title('從對數(shù)正態(tài)分布生成wrandom數(shù)')
AX.HIST（數(shù)據(jù)，bins=np.logspace(0,5,200)，density=true)
ax.set_xscale（“log”）

shape,loc,scale=lognorm.fit（數(shù)據(jù)）

x=NP.logspace(0，5，200)
pdf=lognorm.pdf（x,shape,loc,scale）

Ax.plot（x,pdf,'y')
plt.show（）

冪律分布

In statistics, a Power Law is a functional relationship between two quantities, where a relative change in one quantity results in a proportional relative change in the other quantity, independent of the initial size of those quantities: one quantity varies as a power of another.

例如，用邊長來計算正方形的面積，如果邊長是一倍，則面積乘以四倍。

冪律分布的形式為y=k×α,

其中：

• X和Y是感興趣的變量，
• α是定律的指數(shù)，
• k是常數(shù)。

冪律分布只是眾多概率分布中的一種，但它被認為是評估正態(tài)分布在一定概率下無法處理的不確定性問題的有價值的工具。

許多過程已被發(fā)現(xiàn)在相當大的數(shù)值范圍內(nèi)遵循冪律。從收入分布、流星體大小、地震震級、深度神經(jīng)網(wǎng)絡(luò)中權(quán)重矩陣的譜密度、詞的使用、各種網(wǎng)絡(luò)中鄰居的數(shù)量等（注：這里的冪律是連續(xù)分布。最后兩個例子是離散的，但在大范圍內(nèi)可以建模為連續(xù)的）。

Python中的冪律分布（源碼）

讓我們畫出帕累托分布，它是冪律概率分布的一種形式。帕累托分配有時被稱為帕累托原則或'80-20'規(guī)則，因為該規(guī)則指出，80%的社會財富由20%的人口持有。帕累托分布不是自然規(guī)律，而是一種觀察。它在許多現(xiàn)實世界的問題中是有用的。這是一個偏斜的重尾分布。

導入numpy作為np 導入matplotlib.pyplot為plt 從scipy.stats導入pareto

x_m=1#刻度
alpha=[1,2,3]#形狀參數(shù)值列表
PLT.FIGH（圖=(10,6))
samples=np.linspace(start=0,stop=5,num=1000)
對于a in alpha：
輸出=np.array([pareto.pdf(x=samples,b=a,loc=0,scale=x_m)])
plt.plot（samples,output.t,label='alpha{0}'.format(a))

plt.xlabel('samples',fontsize=15)
plt.yLabel('pdf',fontsize=15)
plt.title('概率密度函數(shù)',fontsize=15)
PLT.LEGEND(loc='最佳')
plt.show（）

盒cox變換

The Box-Cox transformation transforms our data so that it closely resembles a normal distribution.

單參數(shù)Box-Cox變換在許多統(tǒng)計技術(shù)中都有定義，我們假定誤差是正態(tài)分布的。這個假設(shè)允許我們構(gòu)造置信區(qū)間并進行假設(shè)檢驗。通過轉(zhuǎn)換您的目標變量，我們可以（希望）規(guī)范化我們的錯誤（如果它們還不正常的話）。

此外，變換我們的變量可以提高我們的模型的預測能力，因為變換可以消除白噪聲。

Box-Cox變換的核心是一個指數(shù)lambda(λ)，從-5到5不等。將考慮λ的所有值，并為您的數(shù)據(jù)選擇最佳值；“最優(yōu)值”是正態(tài)分布曲線的最佳近似值。

單參數(shù)Box-Cox變換定義為：

雙參數(shù)Box-Cox變換如下：

此外，單參數(shù)Box-Cox變換適用于y>0，即僅適用于正值，而雙參數(shù)Box-Cox變換適用于y>-λ，即負值。

參數(shù)λ是利用輪廓似然函數(shù)和擬合優(yōu)度檢驗來估計的。

如果我們談到Box-cox變換的一些缺點，那么如果解釋是你想做的，那么Box-cox是不推薦的。因為如果λ是非零數(shù)，那么轉(zhuǎn)換后的目標變量可能比簡單地應(yīng)用日志轉(zhuǎn)換更難解釋。

第二個絆腳石是Box-Cox變換通常給出預測分布的中值，當我們將變換后的數(shù)據(jù)還原到其原始規(guī)模時。偶爾，我們想要的是平均數(shù)，而不是中位數(shù)。

Python中的Box-Cox轉(zhuǎn)換（源碼）

SCIPY的stats包提供了一個名為boxcox的函數(shù)，用于執(zhí)行box-cox冪變換，該變換接收原始非正態(tài)分布數(shù)據(jù)作為輸入，并返回擬合數(shù)據(jù)以及用于將非正態(tài)分布擬合為正態(tài)分布的λ值。

#加載必要的包 導入numpy為np 從scipy.stats導入boxcox 導入海運作為sns

#使此示例可復制
NP.Random.Seed(0)

#生成數(shù)據(jù)集 數(shù)據(jù)=NP.random.exponential(size=1000)

圖，ax=plt.子圖（1,2）
#繪制數(shù)據(jù)值的分布 distplot（data,hist=false,kde=true,
kde_kws={'shade':True，'linewidth':2},
標簽=“非正常”，color=“紅色”，ax=ax[0])

#執(zhí)行box-對原始數(shù)據(jù)進行Cox轉(zhuǎn)換 transformed_data,best_lambda=boxcox（數(shù)據(jù)）

distplot（transformed_data,hist=False,kde=True,
kde_kws={'shade':True，'linewidth':2},
label=“正常”，color=“紅色”，ax=ax[1])

#向次要情節(jié)添加圖例 PLT.LEGEND(loc=“右上部”）

#重新縮放次要圖 圖set_figheight（5）
fig.set_figwidth（10）
#顯示最佳λ值 打?。╢“用于轉(zhuǎn)換的lambda值：{best_lambda}”）

泊松分布

In probability theory and statistics, the 泊松分布 is a discrete probability distribution that expresses the probability of a given number of events occurring in a fixed interval of time or space if these events occur with a known constant mean rate and independently of the time since the last event.

用非常簡單的術(shù)語來說，泊松分布可以用來估計某事發(fā)生“x”次的可能性有多大。

泊松過程的一些例子是客戶打電話給幫助中心，原子的放射性衰變，網(wǎng)站的訪問者，到達太空望遠鏡的光子，以及股票價格的波動。泊松過程通常與時間有關(guān)，但不一定與時間有關(guān)。

泊松分布的公式是：

其中：

• E是歐拉數(shù)(E=2.71828....)
• k是出現(xiàn)次數(shù)
• K！是K的階乘
• λ等于k的期望值，當期望值也等于其方差時

可以將Lambda(λ)視為間隔中預期的事件數(shù)。當我們改變速率參數(shù)λ時，我們改變了在一個區(qū)間內(nèi)看到不同數(shù)量事件的概率。下圖是泊松分布的概率質(zhì)量函數(shù)，顯示了在不同速率參數(shù)的區(qū)間內(nèi)發(fā)生若干事件的概率。

泊松分布也通常被用于金融統(tǒng)計數(shù)據(jù)的模型，其中理貨量很小，通常為零。例如，在金融學中，它可以用來模擬一個典型的投資者在給定的一天內(nèi)所做的交易的數(shù)量，可以是0（通常），或者是1，或者是2，等等。

作為另一個例子，這個模型可以用來預測在一個給定的時期內(nèi)，比如說在十年里，對市場的“沖擊”的數(shù)量。

泊松分布 in Python

from numpy import random import matplotlib.pyplot as plt import seaborn as sns

lam_list = [1, 4, 9] #list of Lambda values  plt.figure(figsize=(10,6))
samples = np.linspace(start=0, stop=5, num=1000)

for lam in lam_list:
    sns.distplot(random.poisson(lam=lam, size=10), hist=False, label='lambda {0}'.format(lam))

plt.xlabel('Poisson Distribution', fontsize=15)
plt.ylabel('Frequency', fontsize=15)
plt.legend(loc='best')
plt.show()

當λ變大時，圖看起來更像是正態(tài)分布。

我希望你喜歡閱讀這篇文章，如果你有任何問題或建議，請留下評論。

請在LinkedIn上與我聯(lián)系以獲得任何查詢。

感謝閱讀?。。?/b>