本文介绍了Python中scipy.stats.boxcox函数的使用，用于执行Box-Cox幂变换，以改善数据的正态性。示例展示了如何通过该函数将非正态分布的数据转换为更接近正态分布。Box-Cox转换适用于正数数据，对于非正数数据，通常需要先进行数据调整。文章还包括了如何通过Box-Cox转换后的数据进行概率图比较，以验证转换效果。
返回通过Box-Cox幂变换而变换的数据集。
参数：
x：ndarray输入数组。必须是一维正数。一定不能恒定。
lmbda：{None, scalar}, 可选参数如果lmbda不为None，则对该值进行转换。
如果lmbda为None，则找到使log-likelihood函数最大化的lambda并将其作为第二个输出参数返回。
alpha：{None, float}, 可选参数如果alpha不是None，返回100 * (1-alpha)%lmbda作为第三个输出参数的置信区间。必须介于0.0和1.0之间。
返回值：
boxcox：ndarrayBox-Cox功率转换阵列。
maxlog：浮动，可选如果lmbda参数为None，则返回的第二个参数是最大化log-likelihood函数的lambda。
(min_ci, max_ci)：浮动元组，可选如果lmbda参数为None并且alpha不为None，此返回的float的元组表示给定的最小和最大置信度限制alpha。
注意：
Box-Cox转换由下式给出：
y = (x**lmbda - 1) / lmbda, for lmbda > 0
log(x), for lmbda = 0
boxcox要求输入数据为正。有时，Box-Cox转换会提供一个shift参数来实现此目的；boxcox才不是。这样的移位参数等效于在调用之前向x添加一个正常数boxcox。
置信极限在以下情况下返回alpha提供以下时间间隔：
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
