Scipy Stats.kurtosis()函数介绍

Scipy是一个基于NumPy的Python科学计算工具集，在其stats子模块中提供了丰富的概率分布函数和统计函数。其中，stats.kurtosis()函数就是计算数据集的峰度（kurtosis）。

函数定义

stats.kurtosis(a, axis=0, fisher=True, bias=True)

参数

• a: 需要计算峰度的数据集，可以是列表、数组等。
• axis: 沿着指定的轴进行计算峰度，默认为0。
• fisher: 是否应用Fisher偏度，默认为True，即应用。
• bias: 是否应用Bessel修正，默认为True，即应用。

返回值

计算出的数据集的峰度。

示例

from scipy import stats
import numpy as np

# 计算一个随机数据集的峰度
data = np.random.normal(size=1000)
kurt = stats.kurtosis(data)
print("Kurtosis: ", kurt)

输出

Kurtosis:  0.02133353690432072

在上面的例子中，我们随机生成了一个包含1000个标准正态分布值的数据集，并通过stats.kurtosis()函数计算了其峰度。计算出来的结果在一个接近于0的范围内，说明数据集没有过多的峰度。

注意事项

• 峰度为0表示数据集近似于正态分布。
• 当数据集峰度>0时，为正偏态；峰度<0时，为负偏态。
• 在使用stats.kurtosis()函数计算时，可以选择fisher参数使用或不使用Fisher偏度，但不同的使用方式会导致计算出的值的不同。
• 如果使用偏度等于0的正态分布样本，使用Fisher值得减1可以使得输出的峰度为0。