Scipy Stats Skew

W dzisiejszej erze najnowocześniejszych technologii wzrosło zapotrzebowanie na wysokowydajny poziom programowania. Python okazuje się najlepszy ze wszystkich języków programowania, ponieważ ma wiele do zaoferowania dla łatwych i przyjaznych dla początkujących funkcji z listy pakietów bibliotecznych do implementacji i realizacji programów. Python jest najlepszym narzędziem do programowania do analizy dużych i dużych zestawów danych, do celów obliczeniowych i struktur obiektowych. Python ma bibliotekę o nazwie „Scipy”, aby poradzić sobie z wdrażaniem modeli głębokiego uczenia się, szkolenie modelu aplikacji uczenia maszynowego, operacji matematycznych i optymalizatorów.

SCIPY STATS „Skew” to metoda, która służy do poszukiwania asymetrii w rozkładowi zmiennych w zestawie danych. Skośność określa, w jaki sposób zmienna jest rozmieszczona w piku i czy ogon rozkładu jest grubszy po prawej stronie, co oznacza pozytywnie wypaczone lub ogon jest negatywnie wypaczony, ogon jest grubszy po lewej stronie i zero wypaczony, gdy rozkład jest normalny.

Procedura

Procedura artykułu będzie składać się z sekwencyjnych kroków. Po pierwsze, składnia zostanie wyjaśniona dla funkcji SCIPY STAT SKEW. Wówczas proces wykonywania tej funkcji w kodzie Python zostanie pokazany w artykule. Na koniec zakończymy artykuł, omawiając wyniki wdrażania funkcji. Wszystkie programy zostaną napisane na platformie internetowej dla Pythona I.mi. „Google COLLAB”. Aby zacząć od tej platformy, musimy przejść do adresu internetowego https: // colab.badania.Google.com/.

Składnia

Funkcja "$ scipy.statystyki.Skew (tablica, oś = 0, stronniczość = true)”Służy do obliczenia skośności dla zmiennej losowej w zestawie danych

Parametr „tablica” na liście argumentów funkcji Skewków statystyk jest zastąpiona dowolną tablicą wejściową lub zestawem danych, którego skośność chcemy określić. „Oś” to osi, gdzie lub wzdłuż której ma być obliczona skośność, a jej wartość domyślna wynosi „0”. Stronniczość jest zawsze ustawiona na typ boolean „true” jako jego wartość statystyczną.

Wartość zwracana

Funkcja zwróci wartość, która poinformuje nas, czy rozkład jest pozytywnie, negatywnie, czy zero wypaczony zgodnie z rozkładem normalnym.

Przykład nr 01

Skośność jest miarą analizy asymetrii w rozkładowi danych. Zbadajmy po prostu tę funkcję i wykonaj praktyczny przykład tej funkcji, przyjmując, a następnie zdefiniując niektóre hipotetyczne dane, a następnie rozkładając ją w celu sprawdzenia jej skośności. Aby zainicjować przykład, przekieruj do współpracy Google i zrób tam nowy notatnik, aby napisać na nim program Python. Aby zaimportować biblioteki, które zostaną wykorzystane do użycia atrybutu lub modułu „Stats skew ()”, napiszemy pierwszy wiersz w skrypcie Python jako „z Scipy. Statystyki importują skoś ”i utworzyć bibliotekę„ Numpy ”tablicy, ponieważ ta biblioteka działa z tablicą wielowymiarową i jej operacjami.

Tak więc zaimportuj „Numpy jako prefiks NP”. Ostatnią biblioteką do importu będzie „pylab”, a następnie będziemy uzyskiwać dostęp do pylab jako „PLT” w celu wykreślenia rozkładu wzdłuż pewnej osi, aby wizualnie zidentyfikować skośność w tym dystrybucji. Teraz utworzymy dwuwymiarową tablicę, a następnie obliczymy skośność dla tablicy na podstawie osi, ponieważ nr 2d ma łącznie dwie osie. Jeden jest domyślnie jako „zero”, a wartość drugiej, którą musimy zdefiniować jako „1”,. Tak więc najpierw obliczymy skoś dla 2D -Array z osi ustawioną na zero, a następnie ustawimy wartość osi na „1”, aby obliczyć skośność dla tej osi. Zdefiniuj nr 2d za pomocą „NP Numpy. tablica ([]) ”i przekazuj elementy jako„ ([3, 4, 6, 8, 9], [1, 2, 5, 7,4], [9, 10, 4, 5, 6])) ”, Przechowuj wartość tej tablicy w zmiennej jako„ array_skew ”. Następnie z modułu statystycznego wywołaj funkcję skew () i podaj nazwę tablicy jako „array_skew” w argumentach funkcji skewki. Wartość osi w takich wywołania jest domyślna ustawiona na wartość „zero” i sprawdź wyniki.

Możemy ponownie użyć tej samej tablicy i przekazać ją do funkcji Skew (), ale tym razem z ustawionym parametrem osi na wartość „1” i oddzielony przecinkiem na liście argumentów funkcji Skew (). Kod i dane wyjściowe dla tego programu podano poniżej.

Funkcja obliczy dla pierwszego wywołania funkcji skośnej Niektóre wartości skośności wzdłuż osi „0”, a drugie wywołanie funkcji metody skośnej zwróci wartość skośności dla całej tablicy wzdłuż osi „1”.

Przykład nr 02

Poprzednia Exadata zwróciła jedynie wypaczone wartości dla tablicy, ale za pomocą tego przykładu wykreślimy dystrybucję, a następnie wizualnie zidentyfikujemy skośność w rozkładowi danych. Zaimportuj „z Scipy. statystyki moduł skew ”,„ np ”tworzą numpy do zdefiniowania tablicy, i„ pylab jako plt ”do wykreślania rozkładu na dwóch osiach.

Po imporcie tych bibliotek zdefiniujemy oś „0” jako tablicę o wartości „NP. Linspace (-4, 8.5, 1000) ”. Następnie zdefiniujemy inną oś jako „oś 1” i przekazamy wartość osi0 do osi 1 jako „1./(np. SQRT (2.*NP.pi)) * np. do potęgi( -.4*(Axis0) ** 2) ”. Teraz będziemy używać obu tych osi, a przy pomocy modułu Pylab PLT, wykreślimy wyniki skośności, przekazując oś osi 1 i osi0 do listy argumentów funkcji wykresu jako „PLT. Wykres (Axis0, Axis1,*) ”, a następnie wyświetlanie wyników jako„ druk („Skew_Value:”, Skew (axis1)) ”. Wartość funkcji skośnej jest zwracana jako liczba dodatnia, co oznacza, że ​​rozkład jest pozytywnie wypaczony.

Wniosek

Wdrożenie „Scipy .Stats skew () ”pokazano w artykule. Artykuł wyjaśnia koncepcję skośności, przedstawiając rolę skośności w dystrybucji danych. Następnie wyjaśnia dla niego składnię w skrypcie Pythona i pokazuje dwa przykłady, aby czytelnicy dokładnie zrozumieć koncepcję tematu.