数据特征分析-正太分布 （QQ图）

qq图通过把测试样本数据的分位数与已知分布进行比较，从而检验数据的分布情况。

qq图是一种散点图，对应于正态分布的qq图，就是有标准正态分布的分位数（分为点即分位数）为横坐标、样本值为纵坐标的散点图。

分位点是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数（即二分位数）、四分位数、百分位数等

参考直线：四分之一分位点和四分之三分位点，看散点是否落在这条线附近。

qq图绘制思路：

①数据清洗后进行排序（x(1)<x(2)<...<x(n)）

②排序后，计算出每个数据对应的百分位p(i)，即第i个数据x(i)为p(i)分位数，其中p(i) = (i-0.5)/n（pi有多种算法，该种最常用）

③绘制直方图 + qq 图，直方图作为参考

 

# qq图判断
df = pd.DataFrame(np.random.randn(1000)+2,columns=['value'])
mean = df['value'].mean()
std = df['value'].std()
print('平均值为%.2f，标准差为%.2f'%(mean,std))
df.sort_values('value',inplace = True)
df_r = df.reset_index(drop = False) #t变为DataFrame
df_r['p'] = (df_r.index-0.5)/len(df_r)
df_r['q'] = (df_r['value']-mean)/std
print(df_r.head())
fig,axes = plt.subplots(1,3,figsize = (20,4))
des = df['value'].describe()
# x1,y1 = 0.25,des['25%']
# x2,y2 = 0.75,des['75%']

ax1 = axes[0]
ax1.scatter(df.index,df['value'])

ax2 = axes[1]
df['value'].hist(bins = 20,ax = ax2)
df['value'].plot(kind='kde',secondary_y = True,ax = ax2)

ax3 = axes[2]
ax3.plot(df_r['p'],df_r['value'],'b')
# ax3.plot([x1,x2],[y1,y2],'r')
ax3.plot([0.25,0.75],[des['25%'],des['75%']],'r')

1）若是检验一组数据是否来自某个分布，分布函数为F(x)，通常图的纵坐标为排好序的实际数据（次序统计量：x(1)<x(2)<....<x(n)），可以称之为经验分位点。横坐标为这些数据的理论分位点，所谓理论分位点是这样得到的，先算出各个排好序的数据对应的百分比p(i)，即第i个数据x(i)为p(i)分位数，其中p(i)=(i-0.5)/n，这里p(i)有很多种算法，有的定义为i/(n+1)等等，则x(i)对应的理论分位点为F^(-1)(p(i))=F^(-1)((i-0.5)/n)，这也就是横坐标的值。其中为什么不把p(i)定义为i/n呢？有解释说，若这样定义，则最大的那个数对应的p(n)=1，这样很多分布函数的F^(-1)=infinity，这样无法在坐标上表示出来，所以稍作修改。QQ图的横纵坐标定义好后，则可在图上做出散点图来，然后再在图上添加一条直线，这条直线就是用于做参考的，看散点是否落在这条线的附近。直线由四分之一分位点和四分之三分位点这两点确定的，四分之一分位点的坐标中横坐标为实际数据的四分之一分位点(quantile(data,0.25)),纵坐标为理论分布的四分之一分位点(qF(0.25)),四分之三分位点类似，这两点就刚好确定了QQ图中的直线。

（2）若是检验两组数据是否来自同一个分布函数F(x)，则直接将两组数据的各自的理论分位点当作横纵坐标，然后看是否在一条直线的附近。此种方法对于两组数据数量不一致的时候，需要用插值法，将数据少的那组数据通过插值的方法补齐。在R中qqplot就在进行这件事情。或者将两个QQ图放在一起，将两组数据用不同的颜色标识，看两组数据是否离得很近