python非参数检验的区别_如何在SPSS、Python、R中用Q-Q图检验数据是否服从正态分布？...

正态分布广泛存在于自然现象、生产、生活的方方面面，例如试卷命题难度，产品的使用寿命、农作物产量、气温、降水量、工资收入、人类的身高体重肺活量，甚至颜值……

关于正态分布的数学定义及各种性质，不在此赘述。简单理解，就是“两头小，中间大”，比如长相奇丑无比和倾国倾城的人都是少数，绝大多数人都属于大众脸。

很多时候，在进行数据分析工作时，首先要看的就是数据是服从何种概率分布，而正态分布则是最重要的一种概率分布，而且有一些数据分析方法的前提是要求数据整体服从正态分布，所以有必要了解如何检验数据是否服从正态分布。

有很多方法可以进行正态性检验，比如计算数据分布的偏度系数、峰度系数，再进行U检验；或者进行非参数检验，包括Kolmogorov-Smirnov检验（D检验）和Shapiro- Wilk （W 检验）；还有最直观的图示法，包括Q-Q图、P-P图、直方图。

强烈推荐使用Q-Q图，简单直观。Q-Q图是一个散点图，以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标。如果数据服从正态分布，则数据样本点近似的围绕在对角线附近。

一、SPSS软件依次选择【分析——描述统计——Q-Q图】将要检验的变量移动到右侧变量选框，并确保检测分布是【正态】，然后点击确定搞定！

二、Python语言

在Python中有很多强大的科学计算库，可以方便的绘制Q-Q图。

#导入依赖库

import pandas as pd

from scipy import stats

from matplotlib import pyplot as plt

#读取本地数据

data = pd.read_excel('C:\\Users\RAN\Documents\\normal.xlsx',sheet_name='Sheet1')['变量']

#绘制并打印QQ图

stats.probplot(data, dist="norm", plot=plt)

plt.show()散点近似的分布在对角线上，基本可以判断为服从正态分布

三、R语言

R语言绘制Q-Q图也很方便，就是默认格式的图有点丑，看个人习惯吧。

#加载依赖库

library(qqman)

#加载本地数据

data <- read_excel("normal.xlsx", sheet = "Sheet1")

#绘制Q-Q图

qqnorm(data$变量, main="Q-Q plot: 变量")

#添加对角线

qqline(data$变量)

#绘制Q-Q图

qqnorm(log(data$变量), main="Q-Q plot: log(变量)")

不管是用哪种方法，本质都是一样的，没有最优的，只有最合适的，结合自己使用时的数据处理流程选用就好。