scipy.stats.skew()函数介绍

scipy.stats.skew()函数是用来计算数据样本的偏度值(skewness)的函数。偏度值是用来描述一个数据集的对称性的，如果数据集呈现左偏态（负偏态）分布，则偏度值为负；如果数据集呈现右偏态（正偏态）分布，则偏度值为正；如果数据集呈现对称性分布，则偏度值接近于0。

语法

scipy.stats.skew(a, axis=0, bias=True, nan_policy='propagate')

参数说明

• a: 要计算偏度值的数据样本，数组形式。
• axis: 选择要计算的维度，整数形式，默认为0。
• bias: 设置偏度的公式计算是否需要偏倚校正，布尔型，默认为True。
• nan_policy: 处理 NaN 值的方法，字符串形式，默认为 "propagate"。

返回值

返回值为数组的偏度值(skewness)，如果axis参数为 None，则返回一个实数。

示例代码

import numpy as np
from scipy.stats import skew

data = np.array([1,2,3,4,5,6,7,8,9])
print(skew(data))  # 输出结果为 0.0

data = np.array([1,2,3,4,5,6,7,8,100])
print(skew(data))  # 输出结果为 2.180621502192303

在上述代码中，我们首先导入了 numpy 和 scipy.stats 两个库。接着，我们定义了两个数据集 data，一个是对称性分布数据集，另一个是非对称性分布数据集。然后，我们调用 skew() 函数分别计算这两个数据集的偏度值skewness，并输出结果。第一个数据集的结果为0.0，没有偏度，第二个数据集的结果为2.180621502192303，是一个右偏分布数据集。

值得注意的是，在 skew() 函数的默认设置下，bias 参数为 True，也就是计算偏度值的公式需要进行偏倚校正，如果我们将 bias 参数设置为 False，我们将得到一个不进行偏倚校正的偏度值(skewness)，这在某些情况下也可能是有实用价值的。