Kurtosi Scipy

Python è popolare come linguaggio di programmazione software per scopi generali che funziona per diverse applicazioni. Questo linguaggio include operazioni matematiche orientate agli oggetti, strutture di dati e programmazione funzionale. Scipy è un pacchetto di biblioteche che Python fornisce l'analisi dei dati e per eseguire le varie operazioni di apprendimento automatico che includono algoritmi, ottimizzatori, integrazione, interpolazione ed equazioni differenziali. Scipy offre la funzione di kurtosi dal suo modulo "statistiche". È noto che la kurtosi è la misura di come un punteggio o le informazioni sono distribuite sul picco e la coda della distribuzione rispetto al picco di distribuzione normale.

Procedura:

L'articolo segue il metodo Scipy Kurtosis () per scoprire come le informazioni sono distribuite sulla coda o quanto sia pesante la coda della distribuzione dalla distribuzione normale. Il fenomeno e il metodo per chiamare la kurtosi dello Scipy con i suoi parametri di input indicati sono spiegati in questo articolo. Il programma Python che useremo per eseguire ed eseguire i codici Python è "Google Collab". È una piattaforma open source online che consente la rapida esecuzione del programma fornendo i pacchetti già installati a tutte le librerie di Python.

Sintassi:

Per chiamare la funzione kurtosi () nel nostro programma, dobbiamo conoscere la sintassi per la funzione e anche dovremmo essere ben consapevoli dell'argomento di input che la funzione intraprende per far funzionare correttamente la funzione e restituire l'output richiesto. La funzione Kurtosi () nello script Python può essere scritta come:

$ SCIPY.statistiche.Kurtosi (A, Axis = 0, Fisher = True, Bias = True)

La "A" nell'elenco dei parametri definisce i dati o l'array la cui kurtosi vogliamo calcolare. L'asse è l'asse lungo il quale vogliamo trovare la kurtosi. Il parametro finale nell'elenco dei parametri è il Fisher. Se questo parametro è impostato su Boolean True, questo calcola la kurtosi Fisher. Altrimenti, nel caso di False, trova la kurtosi di Pearson.

Valore di ritorno:

Il valore di ritorno della funzione della curtosi è il valore della curta stessa. Se è positivo, ciò significa che esiste un numero sufficiente di valori anomali nella distribuzione. E nel caso del valore negativo per la curtosi, dice che la distribuzione è più uniforme rispetto alla distribuzione normale.

Esempio 1:

Risolviamo un esempio per la kurtosi con i parametri che abbiamo discusso in sintassi. Per utilizzare la funzione della curtosi, dobbiamo definire le variabili casuali come dati per la funzione di curtosi in modo che la kurtosi possa verificare la distribuzione delle sue osservazioni sulla coda e i valori di picco. Per definire le variabili casuali, esiste un altro metodo, "Norm. RVS ", che è un attributo dal modulo" Scipy Stats ". Quindi, importa la norma dalle statistiche come "da Scipy. Statistiche Importa Norm ". Ora, per generare le variabili casuali con la dimensione "4000" con l'aiuto della funzione Norm, scrivere "Statistiche. norma. RVS (dimensione = 4000, random_state = 5) ".

Ogni volta che accediamo all'attributo dal modulo della libreria specifica poiché abbiamo usato l'attributo "norma" del modulo "Statistiche" dalla libreria "Scipy", chiamiamo sempre l'attributo con il prefisso di quel modulo da dove lo abbiamo importato per la funzione per funzionare correttamente. Archiviamo questi dati generati in modo casuale in una variabile denominata "data_". Ora è il momento di calcolare la curtosi per questi dati generati in modo casuale. Possiamo farlo semplicemente passando questo parametro al parametro di input della funzione kurtosi () con un altro parametro specificato.

Importiamo la funzione di kurtosi dallo "Scipy. statistiche ". Quindi, utilizziamo questo modulo di kurtosi importato nel programma. Chiamiamo la kurtosi con le statistiche del prefisso come "statistiche. Kurtosi (data_, Fisher = true) ". Si noti che forniamo il "data_" come array di input e specifichiamo il pescatore al "vero" booleano per calcolare la kurtosi Fisher. Eseguire ed eseguire il seguente codice definito per verificare il valore della curtosi nell'output del programma:

L'output della funzione è un valore negativo che è uguale a “- 0.0322 16 ". Ciò significa che la funzione di densità di probabilità è più uniforme nella distribuzione rispetto alla distribuzione normale.

Esempio 2:

Ora eseguiamo la kurtosi di Pearson per verificare la coda della distribuzione dei dati. Iniziamo questo esempio creando un nuovo progetto in "Google Collab". Quindi, iniziamo a scrivere il programma importando alcune biblioteche importanti e i loro moduli dipendenti al progetto. Importiamo la "kurtosi" e la "norma .camper "dal modulo Scipy Statists. La norma.I camper ci consentono di generare le variabili casuali. Quindi, passiamo questi dati al metodo della kurtosi.

Ora chiamiamo le "statistiche. norma. RVS (dimensione = 5000, random_state = 5) ". Ciò genera la distribuzione per le 5000 variabili casuali. Passiamo questi dati alla funzione di kurtosi come array di input. Quindi, questa volta, impostiamo il valore del parametro Fisher che è uguale al "falso" booleano. Quindi, visualizziamo i risultati del programma. Il programma per questo esempio è mostrato nella figura seguente:

Dopo aver eseguito il programma precedentemente menzionato, abbiamo ottenuto il valore di output affinché la curtosi sia il valore positivo che è opposto al valore della curtosi quando abbiamo impostato il pescatore sul vero vero. Questo valore positivo per la kurtosi afferma che esiste più valori anomali nella distribuzione di questi dati. Quindi, non è più uniforme rispetto alla sua distribuzione normale.

Conclusione

Il metodo per implementare la funzione di kurtosi Scipy è spiegato e praticamente dimostrato in questo articolo. Abbiamo usato la kurtosi per trovare la misura di come i dati sono distribuiti nel picco e i valori di coda della distribuzione. Abbiamo calcolato sia Pearson che la kurtosi Fisher per conoscere la differenza che entrambi questi metodi contengono nelle loro uscite.