scipy.stats.kurtosistest()函数

scipy.stats.kurtosistest()是用于检验数据是否符合正态分布的统计学检验函数之一。该函数检验的是数据的峰度（Kurtosis）是否等于正态分布的峰度（3.0）。如果计算得到的P值低于给定的显著性水平，则拒绝原假设，即数据不符合正态分布。

语法

scipy.stats.kurtosistest(x, axis=0, nan_policy='propagate')

参数说明

• x：数据。可以是一个一维或多维数组。
• axis：计算的轴。默认为0，即对列进行计算。
• nan_policy：处理NaN值的策略。默认为'propagate'，即传播NaN值。

返回值

• kurtosis：计算得到的峰度值。
• pvalue：双尾检验的P值。

示例代码

import numpy as np
from scipy import stats

# 生成正态分布和非正态分布数据
normal_data = np.random.normal(loc=0, scale=1, size=(1000,))
non_normal_data = np.random.uniform(low=-1, high=1, size=(1000,))

# 对正态分布和非正态分布数据进行峰度检验
kurtosis_normal, pvalue_normal = stats.kurtosistest(normal_data)
kurtosis_non_normal, pvalue_non_normal = stats.kurtosistest(non_normal_data)

print("Normal data - Kurtosis: %.5f, P-value: %.5f" % (kurtosis_normal, pvalue_normal))
print("Non-normal data - Kurtosis: %.5f, P-value: %.5f" % (kurtosis_non_normal, pvalue_non_normal))

返回如下结果：

Normal data - Kurtosis: -0.02905, P-value: 0.75806
Non-normal data - Kurtosis: -1.20062, P-value: 0.23087

由结果可知，正态分布数据的峰度值接近0，P值较大，且大于显著性水平0.05，因此不能拒绝原假设，即正态分布数据符合正态分布。而非正态分布数据的峰度值不等于0，但同样无法拒绝原假设，即非正态分布数据也符合正态分布。