scipy stats.skew() | 파이썬

scipy.stats.skew (array, axis = 0, bias = True) 는 데이터세트의 왜도를 계산합니다.

 왜도 = 0:  정규 분포. 왜도 > 0:  분포의 왼쪽 꼬리에 더 많은 가중치가 있습니다. 왜도 및 lt; 0:  분포의 오른쪽 꼬리에 더 많은 가중치가 있습니다. 

공식은 —

매개변수:
배열: 요소가 있는 입력 배열 또는 개체.
축: 왜도 값을 측정해야 합니다. 기본적으로 축 = 0.
편향: Bool; False로 설정된 경우 계산이 통계적 편향에 대해 수정됩니다.

반환: 축을 따른 데이터 세트의 왜도 값입니다.

코드 # 1:

# numpy.linspace()를 사용한 그래프
# 비대칭 찾기

scipy.stats 가져오기 기울이기

가져오기 <코드 클래스 = "plain"> numpy를 np로

가져오기 pylab을 p로

<코드 클래스 = "일반"> x1 <코드 클래스 = "키워드"> = <코드 클래스 = "일반"> np.linspace( < 코드 클래스 = "키워드"> - <코드 클래스 = "값 "> 5 <코드 클래스 = "일반">, <코드 클래스 = "값"> 5 <코드 클래스 = "일반">, <코드 클래스 = "값"> 1000 <코드 클래스 = "일반">)

<코드 클래스 = "일반"> y1 <코드 클래스 = "키워드"> = <코드 클래스 = "값"> 1. <코드 클래스 = "키워드"> / <코드 클래스 = "일반"> (sqrt -in-python/">np. sqrt ( 2. * np.pi)) <코드 클래스 ="키워드 "> * <코드 클래스 = "일반"> np.exp ( <코드 클래스 = "키워드"> - <코드 클래스 = "일반">. <코드 클래스 = "값" > 5 <코드 클래스 = "키워드"> * <코드 클래스 = "일반"> (x1) <코드 클래스 = " 키워드"> * <코드 클래스 = "키워드"> * <코드 클래스 = "값"> 2 <코드 클래스 = "일반">)

p.plot (x1, y1, ` * ` )

인쇄 ( ` 데이터 스큐: ` , 스큐(y1))

출력 :

   
 데이터 왜곡: 1.1108237139164436 

코드 # 2:

# numpy.linspace를 사용한 그래프()
# 비대칭 찾기

from scipy.stats 가져오기 <코드 클래스 = "일반"> 왜곡

<코드 클래스 = "키워드"> 가져오기 <코드 클래스 = "일반 "> numpy를 np로

가져오기 pylab을 p로

<코드 클래스 = "일반"> x1 <코드 클래스 = "키워드"> = <코드 클래스 = "일반"> np.linspace( <코드 클래스 = "키워드"> - <코드 클래스 = "값"> 5 <코드 클래스 = "일반">, <코드 클래스 = "값"> 12 <코드 클래스 = "일반">, <코드 클래스 = "값"> 1000 <코드 클래스 = "pl ain">)

<코드 클래스 = "일반"> y1 <코드 클래스 = "키워드"> = <코드 클래스 = "값"> 1 . / (sqrt-in-python/"> np. sqrt ( <코드 클래스 = "값"> 2. <코드 클래스 = "키워드"> * <코드 클래스 = "일반"> np.pi )) <코드 클래스 = "키워드"> * <코드 클래스 = "일반"> np.exp( <코드 클래스 = "키워드"> - <코드 클래스 = "일반">. <코드 클래스 = "값"> 5 <코드 클래스 = "키워드"> * <코드 클래스 = "일반"> (x1) <코드 클래스 = "키워드"> * <코드 클래스 = "키워드"> * <코드 클래스 = "값"> 2 <코드 클래스 = "일반">)

p.plot (x1, y1, `.` )

인쇄 ( `데이터 왜곡:` , 왜도 (y1))

출력:

   
 데이터 왜곡도: 1.917677776148478 

코드 # 3: 무작위 데이터 기반

X: [ 0.03255323 -6.18574775 -0.58430139 ... 3.22112446 1.16543279 0.84083317] 데이터의 왜도: 2>0.039348837