Scipy -- 使用总结

Scipy 是世界上著名的Python开源科学计算库，建立在Numpy之上。它增加的功能包括数值积分、最优化、统计和一些专用函数。
Scipy函数库在Numpy的基础上增加了众多的数学、科学以及工程计算中常用的库函数。例如线性代数、常微分方程数值求解、信号处理、图像处理、稀疏矩阵等等。

Scipy.io进行mat文件的写入与读取

from scipy import io
io.savemat('1.mat',{'array':1}) # io.savemat(file_name,mdict)
io.loadmat('1.mat')  # io.loadmat(file_name)

利用Scipy的scipy.stats包中的统计函数实现分析随机数的功能

Stats提供了产生连续性分布的函数：

• 均匀分布(uniform)
• 正态分布(norm)
• 贝塔分布(beta)
• 离散分布
• 伯努利分布(bernoulli)
• 几何分布(geom)
• 泊松分布(poisson)

一、生成随机数

1. stats.norm
   x=stats.norm.rvs(size=20) # 生成20个正态分布随机数
2. stats.uniform
   y=stats.uniform.rvs(size=20) # 生成20个[0,1]均匀分布的随机数
3. stats.beta
   z=stats.beta.rvs(size=20,a=3,b4) # 生成20个服从参数a=3,b=4的贝塔分布随机数
4. stats.poisson
   r=stats.poisson.rvs(0.6,loc=0,size=20) # 生成20个服从泊松分布的随机数

二、计算随机数的均值和标准差

stats.norm.fit：利用正态分布去拟合生成的数据，得到其均值和标准差

三、计算随机数的偏度

1、概念：偏度（skewness） ---- 描述的是概率分布的偏斜（非对称）程度。偏度检验有两个返回值，其中第二个返回值是p-value,即观察到的数据集服从正态分布的概率，取值范围为0~1

2、利用stats.skewtest()计算偏度

3、
正偏度分布：右侧尾比左侧尾长，即大数值一端发生的次数较少（均值>中位数） ；
负偏度分布：左侧尾比右侧尾长，即大数值一端发生的次数较多（均值<中位数）；
正态分布的偏度为0。

四、计算随机数的峰度

1、概念：峰度(kurtosis) – 描述的是概率分布曲线的陡峭程度
2、利用stats.kurtosistest()计算峰度

正态分布的峰度为3，excess_k ( 注: excess_k = kurtosis - 3) 为0，
低阔峰（platykurtic）:相对于正态分布来说更扁平（excess_k < 0）
高狭峰（leptokurtic）:相对于正态分布来说更陡峭 (excess_k > 0)

五、检查随机数服从正态分布的程度

1、概念：正态性检验（normality test）---- 检查数据集服从正态分布的程度。该检验同样有两个返回值，其中第二个返回值为p-value。
2、利用 stats.normaltest() 来检验
一般情况下pvalue > 0.05即表示服从正态分布。

六、计算数据所在区段中某一百分比处的数值

1、利用 scoreatpercentile计算在某一百分比位置上的数值：
格式：scoreatpercentile (数据集,百分比)

七、从某数值出发找到对应的百分比

1、利用 percentileofscore计算某数值对应的百分比：
格式： percentileofscore(数据集,数值)

八、直方图显示

import matplotlib.pyplot as plt
plt.hist(data) # 设置直方图
plt.show()     #显示直方图