python正态性检验：检验数据是否服从正态分布

推荐两种检验方法：1、夏皮罗一威尔克检验法(Shapiro-Wilk test)；2、kstest。

前者适合小样本容量（样本容量小于5000）的正态分布检验，后者对样本容量没有要求。

夏皮罗一威尔克检验法(Shapiro-Wilk test)

可以使用夏皮罗一威尔克检验法(Shapiro-Wilk test)，直接使用scipy里边现成的方法即可。代码如下：

>>> from scipy import stats
>>> import numpy as np
>>> np.random.seed(12345678)
>>> x = stats.norm.rvs(loc=5, scale=3, size=100)
>>> shapiro_test = stats.shapiro(x)
>>> shapiro_test
ShapiroResult(statistic=0.9772805571556091, pvalue=0.08144091814756393)
>>> shapiro_test.statistic
0.9772805571556091
>>> shapiro_test.pvalue
0.08144091814756393

夏皮罗一威尔克检验法的零假设是数据服从正态分布，pvalue较小的时候就可以推翻零假设。虽然上述代码中的pvalue较小，但是依然比0.05大，所以可以认为数据是服从正态分布的。

kstest

>>> from scipy import stats
>>> import numpy as np
>>> np.random.seed(12345678)
>>> x = stats.norm.rvs(loc=5, scale=3, size=10000)
>>> ks_test = stats.kstest((x-np.mean(x))/np.std(x), 'norm')
>>> ks_test
KstestResult(statistic=0.006592666116427712, pvalue=0.7749015790877247)
>>> ks_test.statistic
0.006592666116427712
>>> ks_test.pvalue
0.7749015790877247

和夏皮罗一威尔克检验法类似，零假设是数据服从正态分布，pvalue较小的时候就可以推翻零假设。

see also

1. scipy.stats.shapiro
2. scipy.stats.kstest