Eine M\u00f6glichkeit, dieses Problem zu l\u00f6sen, besteht darin, die Werteverteilung in einem Datensatz mithilfe einer von drei Transformationen zu transformieren:<\/span><\/p>\n 1. Log-Transformation:<\/strong> Transformieren Sie die Antwortvariable von y in log(y)<\/strong> .<\/span><\/p>\n 2. Quadratwurzeltransformation:<\/strong> Transformieren Sie die Antwortvariable von y in \u221ay<\/span><\/strong> .<\/span><\/p>\n 3. Kubikwurzeltransformation:<\/strong> Transformieren Sie die Antwortvariable von y in y 1\/3<\/sup><\/strong> .<\/span><\/p>\n Durch die Durchf\u00fchrung dieser Transformationen wird der Datensatz im Allgemeinen normaler verteilt.<\/span><\/p>\n Die folgenden Beispiele zeigen, wie diese Transformationen in Python durchgef\u00fchrt werden.<\/span><\/p>\n Der folgende Code zeigt, wie man eine logarithmische Transformation<\/strong> an einer Variablen durchf\u00fchrt und nebeneinander Diagramme erstellt, um die urspr\u00fcngliche Verteilung und die logarithmisch transformierte Verteilung der Daten anzuzeigen:<\/span> <\/p>\n Beachten Sie, dass die logarithmisch transformierte Verteilung normaler verteilt ist als die Originalverteilung.<\/span><\/p>\n Es ist immer noch keine perfekte \u201eGlockenform\u201c, aber sie kommt einer Normalverteilung n\u00e4her als der urspr\u00fcnglichen Verteilung.<\/span><\/p>\n Der folgende Code zeigt, wie Sie eine Quadratwurzeltransformation<\/strong> f\u00fcr eine Variable durchf\u00fchren und nebeneinander Diagramme erstellen, um die urspr\u00fcngliche Verteilung und die quadratwurzeltransformierte Verteilung der Daten anzuzeigen:<\/span> <\/p>\n Beachten Sie, dass die Quadratwurzel-transformierten Daten viel normaler verteilt sind als die Originaldaten.<\/span><\/p>\n Der folgende Code zeigt, wie Sie eine Kubikwurzeltransformation<\/strong> f\u00fcr eine Variable durchf\u00fchren und nebeneinander Diagramme erstellen, um die urspr\u00fcngliche Verteilung und die durch die Kubikwurzel transformierte Verteilung der Daten anzuzeigen:<\/span> <\/p>\n Beachten Sie, dass die durch die Kubikwurzel transformierten Daten viel normaler verteilt sind als die Originaldaten.<\/span><\/p>\n So berechnen Sie Z-Scores in Python<\/a> Viele statistische Tests gehen davon aus, dass Datens\u00e4tze normalverteilt sind. Dies ist jedoch in der Praxis h\u00e4ufig nicht der Fall. Eine M\u00f6glichkeit, dieses Problem zu l\u00f6sen, besteht darin, die Werteverteilung in einem Datensatz mithilfe einer von drei Transformationen zu transformieren: 1. Log-Transformation: Transformieren Sie die Antwortvariable von y in log(y) . 2. Quadratwurzeltransformation: Transformieren Sie […]<\/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 Protokolltransformation in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 4<\/span> , b= 15<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. log<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Log-Transformed Data<\/span> ')\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans11.png\"){kind=spacer}
<\/p>\n Quadratwurzeltransformation in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 1<\/span> , b= 5<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. sqrt<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Square Root Transformed Data<\/span> ')<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans12.png\"){kind=spacer}
<\/p>\n W\u00fcrfelwurzeltransformation in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 1<\/span> , b= 5<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. cbrt<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Cube Root Transformed Data<\/span> ')<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans13.png\"){kind=spacer}
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So normalisieren Sie Daten in Python<\/a>
Was ist die Normalit\u00e4tsannahme in der Statistik?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"