Kurtosis de scipy
Procédure:
L'article suit la méthode Scipy Kurtosis () pour découvrir comment les informations sont distribuées sur la queue ou à quel point la queue de la distribution est lourde de la distribution normale. Le phénomène et la méthode pour appeler le kurtosis de Scipy avec ses paramètres d'entrée donnés sont expliqués dans cet article. Le programme Python que nous utiliserons pour exécuter et exécuter les codes Python est le "Google Collab". Il s'agit d'une plate-forme open source en ligne qui permet l'exécution rapide du programme en fournissant les packages déjà installés à toutes les bibliothèques de Python.
Syntaxe:
Pour appeler la fonction kurtosis () dans notre programme, nous devons connaître la syntaxe de la fonction et devons également être bien conscients de l'argument d'entrée que la fonction prend pour que la fonction fonctionne correctement et renvoie la sortie requise. La fonction kurtosis () dans le script Python peut être écrite comme:
$ scipy.Statistiques.kurtosis (a, axe = 0, fisher = true, biais = true)Le «A» dans la liste des paramètres définit les données ou le tableau dont nous voulons calculer les kurtosis. L'axe est l'axe le long de lequel nous voulons trouver le kurtosis. Le paramètre final dans la liste des paramètres est le pêcheur. Si ce paramètre est défini sur Boolean True, cela calcule le Fisher Kurtosis. Sinon, dans le cas de False, il trouve le Kurtosis de Pearson.
Valeur de retour:
La valeur de retour de la fonction kurtosis est la valeur du kurtosis lui-même. Si c'est positif, cela signifie qu'il existe un nombre suffisant de valeurs aberrantes dans la distribution. Et dans le cas de la valeur négative pour le kurtosis, il indique que la distribution est plus uniforme par rapport à la distribution normale.
Exemple 1:
Résolvons un exemple de kurtosis avec les paramètres dont nous avons discuté dans la syntaxe. Pour utiliser la fonction de kurtosis, nous devons définir les variables aléatoires comme les données de la fonction de kurtosis afin que le kurtosis puisse vérifier la distribution de ses observations sur les queues et les valeurs de pointe. Pour définir les variables aléatoires, il existe une autre méthode: «Norme. RVS », qui est un attribut du module« Scipy Stats ». Donc, nous importons la norme des statistiques comme «de Scipy. statistiques d'importation norme ». Maintenant, pour générer les variables aléatoires avec la taille «4000» à l'aide de la fonction norme, écrivez «Statistiques. norme. RVS (size = 4000, random_state = 5) ».
Chaque fois que nous accédons à l'attribut à partir du module de la bibliothèque spécifique car nous avons utilisé l'attribut «Norm» du module «Stats» de la bibliothèque «Scipy», nous appelons toujours l'attribut avec le préfixe de ce module à partir de l'endroit où nous l'avons importé pour la fonction pour fonctionner correctement. Nous stockons ces données générées au hasard dans une variable nommée «Data_». Il est maintenant temps de calculer le kurtosis pour ces données générées de manière aléatoire. Nous pouvons le faire en passant simplement ce paramètre au paramètre d'entrée de la fonction kurtosis () avec un autre paramètre spécifié.
Nous importons la fonction kurtosis du «scipy. Statistiques". Ensuite, nous utilisons ce module de kurtosis importé dans le programme. Nous appelons le kurtosis avec les statistiques du préfixe comme «Statistiques. Kurtosis (data_, fisher = true) ". Notez que nous donnons le «data_» comme tableau d'entrée et spécifions le pêcheur à booléen «vrai» pour calculer le fisher kurtosis. Exécutez et exécutez le code défini suivant pour vérifier la valeur de kurtosis dans la sortie du programme:
La sortie de la fonction est une valeur négative qui est égale au «- 0.0322 16 ”. Cela signifie que la fonction de densité de probabilité est plus uniforme en distribution par rapport à la distribution normale.
Exemple 2:
Nous effectuons maintenant le Kurtosis de Pearson pour vérifier la taillé de la distribution des données. Nous commençons cet exemple en créant un nouveau projet dans la "Google Collab". Ensuite, nous commençons à écrire le programme en important certaines bibliothèques importantes et leurs modules dépendants dans le projet. Nous importons le «kurtosis» et la «norme .RVS »du module Scipy Statistiques. La norme.RVS permet de générer les variables aléatoires. Ensuite, nous transmettons ces données à la méthode du kurtosis.
Maintenant, nous appelons les «statistiques. norme. RVS (Size = 5000, Random_State = 5) ”Méthode. Cela génère la distribution des 5000 variables aléatoires. Nous transmettons ces données à la fonction Kurtosis comme son tableau d'entrée. Ensuite, cette fois, nous définissons la valeur du paramètre Fisher qui est égal au booléen «false». Ensuite, nous affichons les résultats du programme. Le programme de cet exemple est illustré dans la figure suivante:
Après avoir exécuté le programme mentionné précédemment, nous avons obtenu la valeur de sortie pour que le kurtosis soit la valeur positive qui est opposée à la valeur du kurtosis lorsque nous avons réglé le pêcheur sur le vrai true booléen. Cette valeur positive pour le kurtosis indique qu'il existe plus de valeurs aberrantes dans la distribution de ces données. Par conséquent, il n'est pas plus uniforme par rapport à sa distribution normale.
Conclusion
La méthode pour mettre en œuvre la fonction Scipy Kurtosis est expliquée et pratiquement démontrée dans cet article. Nous avons utilisé le kurtosis pour trouver la mesure de la répartition des données dans le pic et les valeurs à queue de la distribution. Nous avons calculé les Pearson et le Fisher Kurtosis pour connaître la différence que ces deux méthodes détiennent dans leurs sorties.