python的Kolmogorov测试

我试图测试数据是否遵循“正态”分布，但kstest并没有像我预期的那样工作。Vy使用numpy的

正态

它“从正态（高斯）分布中抽取随机样本”

我已经用

numpy

和

scipy

检查了两种生成正态分布的方法，但这并不能说明这是正态分布

from scipy.stats import kstest, norm
from numpy.random import seed, normal

seed(42)
data = normal(80, 6, 1000)
# data = norm.rvs(loc=80, scale=6, size=1000)

ksstat, p_value = kstest(data, "norm")

if p_value > 0.05:
    print('it looks like Gaussian (fail to reject H0)')
else:
    print('it doesnt looks like Gaussian (reject H0)')

然而，通过变换

（data-np.mean（data））/np.std（data）

我得到了正态分布

from scipy.stats import kstest, norm
from numpy.random import seed, normal

seed(42)
data = normal(80, 6, 1000)
# data = norm.rvs(loc=80, scale=6, size=1000)

ksstat, p_value = kstest(data, "norm")

if p_value > 0.05:
    print('it looks like Gaussian (fail to reject H0)')
else:
    print('it doesnt looks like Gaussian (reject H0)')

我错过了什么？ 为什么不直接使用正态性测试的结果？

使用给定的分布参数（如果有的话）根据给定的分布测试数据。使用

kstest（数据，“norm”）

时，分布为标准正态分布，平均值为0，标准偏差为1。您生成的数据平均值为80，标准偏差为6，因此自然不匹配

您可以按照问题中显示的方式对数据进行规范化，或者，如果您碰巧知道参数，可以使用

args

参数将它们传递给

kstest

：

ksstat, p_value = kstest(data, "norm", args=(80, 6))

或者，您可以根据数据估计参数：

ksstat, p_value = kstest(data, "norm", args=(data.mean(), data.std()))