Die Grundidee dieser Methode besteht darin, mithilfe der folgenden Formel einen Wert f\u00fcr \u03bb zu finden, sodass die transformierten Daten m\u00f6glichst nahe an der Normalverteilung liegen:<\/span><\/p>\n Mit der Funktion scipy.stats.boxcox()<\/a> k\u00f6nnen wir eine Box-Cox-Transformation in Python durchf\u00fchren.<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir generieren eine zuf\u00e4llige Menge von 1000 Werten aus einer Exponentialverteilung<\/a> :<\/span><\/span> <\/p>\n Wir k\u00f6nnen sehen, dass die Verteilung nicht normal erscheint.<\/span><\/p>\n Wir k\u00f6nnen die Funktion boxcox()<\/strong> verwenden, um einen optimalen Lambdawert zu finden, der eine normalere Verteilung erzeugt:<\/span> <\/p>\n Wir k\u00f6nnen sehen, dass die transformierten Daten einer viel normaleren Verteilung folgen.<\/span><\/p>\n Wir k\u00f6nnen auch den genauen Lambda-Wert ermitteln, der zur Durchf\u00fchrung der Box-Cox-Transformation verwendet wird:<\/span><\/p>\n Der optimale Lambda-Wert lag bei etwa 0,242<\/strong> .<\/span><\/p>\n Daher wurde jeder Datenwert mithilfe der folgenden Gleichung transformiert:<\/span><\/p>\n Neu = (alt 0,242<\/sup> \u2013 1) \/ 0,242<\/span><\/p>\n Wir k\u00f6nnen dies best\u00e4tigen, indem wir die Werte der Originaldaten im Vergleich zu den transformierten Daten betrachten:<\/span><\/p>\n Der erste Wert im Originaldatensatz war 0,79587<\/strong> . Daher haben wir die folgende Formel angewendet, um diesen Wert umzuwandeln:<\/span><\/p>\n Neu = (.79587 0,242<\/sup> \u2013 1) \/ 0,242 = -0,222<\/strong><\/span><\/p>\n Wir k\u00f6nnen best\u00e4tigen, dass der erste Wert im transformierten Datensatz tats\u00e4chlich -0,222<\/strong> ist.<\/span><\/p>\n So erstellen und interpretieren Sie ein QQ-Diagramm in Python<\/a> Eine Box-Cox-Transformation ist eine h\u00e4ufig verwendete Methode zur Transformation eines nicht normalverteilten Datensatzes in einennormalverteilteren Satz. Die Grundidee dieser Methode besteht darin, mithilfe der folgenden Formel einen Wert f\u00fcr \u03bb zu finden, sodass die transformierten Daten m\u00f6glichst nahe an der Normalverteilung liegen: y(\u03bb) = (y \u03bb \u2013 1) \/ \u03bb wenn y \u2260 0 y(\u03bb) […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel: Box-Cox-Transformation in Python<\/strong><\/span><\/h3>\n
#load necessary packages<\/span>\nimport<\/span> numpy as<\/span> np \nfrom<\/span> scipy. stats<\/span> import<\/span> boxcox \nimport<\/span> seaborn as<\/span> sns \n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#generate dataset\n<\/span>data = np. random<\/span> . exponential<\/span> (size= 1000<\/span> )\n\n#plot the distribution of data values\n<\/span>sns. distplot<\/span> (data, hist= False<\/span> , kde= True<\/span> ) \n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/boitecox1.png\")
<\/p>\n #perform Box-Cox transformation on original data\n<\/span>transformed_data, best_lambda = boxcox(data) \n\n#plot the distribution of the transformed data values\n<\/span>sns. distplot<\/span> (transformed_data, hist= False<\/span> , kde= True<\/span> )<\/strong> <\/pre>\n![\"Box-Cox-Transformation](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/boitecox2.png\")
<\/p>\n #display optimal lambda value\n<\/span>print<\/span> (best_lambda)\n\n0.2420131978174143\n<\/strong><\/pre>\n #view first five values of original dataset\n<\/span>data[0:5]\n\narray([0.79587451, 1.25593076, 0.92322315, 0.78720115, 0.55104849])\n\n#view first five values of transformed dataset\n<\/span>transformed_data[0:5]\n\narray([-0.22212062, 0.23427768, -0.07911706, -0.23247555, -0.55495228])\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie einen Shapiro-Wilk-Normalit\u00e4tstest in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"