{"id":867,"date":"2023-07-28T12:03:55","date_gmt":"2023-07-28T12:03:55","guid":{"rendered":"https:\/\/statorials.org\/nl\/een-of-ander-pythonplot\/"},"modified":"2023-07-28T12:03:55","modified_gmt":"2023-07-28T12:03:55","slug":"een-of-ander-pythonplot","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/een-of-ander-pythonplot\/","title":{"rendered":"Hoe u een qq-plot maakt in python"},"content":{"rendered":"

<\/p>\n

\n

Een QQ-plot<\/strong> , een afkorting van „quantile-quantile“, wordt vaak gebruikt om te evalueren of een dataset mogelijk afkomstig is van een theoretische distributie.<\/span><\/p>\n

In de meeste gevallen wordt dit type plot gebruikt om te bepalen of een dataset al dan niet een normale verdeling<\/a> volgt.<\/span><\/p>\n

In deze tutorial wordt uitgelegd hoe u een QQ-plot voor een gegevensset in Python maakt.<\/span><\/p>\n

Voorbeeld: QQ-plot in Python<\/strong><\/span><\/h3>\n

Stel dat we de volgende gegevensset van 100 waarden hebben:<\/span><\/p>\n

 import<\/span> numpy as<\/span> np\n\n#create dataset with 100 values that follows a normal distribution\n<\/span>np.random.seed(0)\ndata = np.random.normal(0,1, 1000)\n\n#view first 10 values\n<\/span>data[:10] \n\narray([ 1.76405235, 0.40015721, 0.97873798, 2.2408932 , 1.86755799,\n       -0.97727788, 0.95008842, -0.15135721, -0.10321885, 0.4105985 ])<\/strong><\/pre>\n
 import<\/span> statsmodels.api as<\/span> sm\nimport<\/span> matplotlib.pyplot as<\/span> plt\n\n#create QQ plot with 45-degree line added to plot<\/span>\nfig = sm.qqplot(data, line='45')\nplt.show()\n<\/strong><\/pre>\n
\"QQ-plot<\/p>\n
 In een QQ-plot geeft de x-as de theoretische kwantielen<\/strong> weer. Dit betekent dat het niet uw werkelijke gegevens toont, maar eerder aangeeft waar uw gegevens zich zouden bevinden als deze normaal verdeeld zouden zijn.<\/span><\/p>\n
 Op de Y-as worden uw huidige gegevens<\/strong> weergegeven. Dit betekent dat als de gegevenswaarden een grofweg rechte lijn volgen in een hoek van 45 graden, de gegevens normaal verdeeld zijn.<\/span><\/p>\n
 Overweeg in plaats daarvan of we een dataset van 100 uniform verdeelde waarden hebben gegenereerd en een QQ-plot voor die dataset hebben gemaakt:<\/span> <\/p>\n
 #create dataset of 100 uniformly distributed values<\/span>\ndata = np.random.uniform(0,1, 1000)\n\n#generate QQ plot for the dataset\n<\/span>fig = sm.qqplot(data, line='45')\nplt.show()\n<\/strong><\/pre>\n
\"Q-Q-plot<\/p>\n
 De datawaarden volgen duidelijk niet de rode lijn van 45 graden, wat aangeeft dat ze geen normale verdeling volgen.<\/span><\/p>\n
 Opmerkingen over QQ-plots<\/strong><\/span><\/h3>\n
 Houd rekening met de volgende opmerkingen over QQ-plots:<\/span><\/p>\n
 We kunnen in onze QQ-grafiek hierboven zien dat de gegevenswaarden de neiging hebben de 45 graden nauw te volgen, wat betekent dat de gegevens waarschijnlijk normaal verdeeld zijn. Dit zou geen verrassing moeten zijn, aangezien we de 100 gegevenswaarden hebben gegenereerd met behulp van de functie numpy.random.normal()<\/a> .<\/span><\/p>\n
 Om een QQ-plot voor deze dataset te maken, kunnen we de functie qqplot()<\/a> uit de statsmodels-bibliotheek gebruiken:<\/span> <\/p>\n