【特征工程】判断一组数据的分布形态

思考：输入到NN模型中的特征要做归一化处理，我看到airbnb对特征归一化的方式因特征而异，这点惊讶到我，我当前的工作中，对特征归一化处理方式是同一种。然而并不知道特征服从什么分布，或许选择了一个大家通用的归一化方法？这个不得而知。言归正传，airbnb根据不同特征做不一样的归一化，因为他们对数据进行了观察，发现了部分长尾数据，因此做了log的归一化处理[1]，这点很惊喜。在我刚工作的时候，也有人问过我，一些特征的分布，当时基于人工统计做了一些表格直方图，能看出一个大概，但是真说不上来是什么分布，只是一个统计而已。

随后查阅了一些资料，主题是：如何确定一组数据的分布。

查阅到了一个博客[2]，里面汇总了一些判断该分布为什么分布的方法及代码，这里我补充了一些原理及概念解释(因为我不太明白这些方法是什么，使用范围是什么)。首先我们先看下有哪些分布，然后再研究有哪些方法可以去确定一组数据符合什么分布。

(1) 离散分布：

 伯努利分布（零一分布，两点分布），二项分布，几何分布，泊松分布（Poisson分布）

(2) 连续分布：

 指数分布，正态分布（高斯分布），均匀分布

(3) 抽样分布：

 卡方分布（X2分布），F分布，T分布

(4) 其它分布：

 多项分布，Beta分布，Dirichlet分布

方法1：夏皮罗维尔克检验(Shapiro-Wilk test)

概念：是一种在频率上统计检验中检验正态性的方法。它在1965年由夏皮罗和威尔克发表。

适用范围：检验小样本数据是否服从正态分布，数据量大于5000时不适用。

代码：这里需要生成一组正态分布的数据，待验证的数据跟它进行对比。

##生成40个服从N（2,1）的随机数
import numpy as np
np.random.seed(0)
mu = 2 ; sigma = 1; sampleNo = 40;
testData = np.random.normal(mu, sigma, sampleNo)
 
##利用Shapiro-Wilk test检验其是否服从正态分布
import scipy.stats as stats
print(stats.shapiro(testData))
##输出（统计量W的值,P值）=(0.9782678484916687, 0.6254357695579529)
##W的值越接近1就越表明数据和正态分布拟合得越好，P值>指定水平,不拒绝原假设，可以认为样本数据服从正态分布
 
           

方法2：科尔莫戈罗夫检验(Kolmogorov-Smirnov test)

概念：来分析变量是否符合某种分布或比较两组之间有无显著性差异。 检验单一样本是否来自某一特定分布的方法。

适用范围：

    1)用于检验X的分布G(x)是否服从给定分布F(x)，仅适用于连续分布的检验;

    2)检验两组数据是否来自统一分布。

代码：

   1)这里stats.kstest()的第二个参数是Defines the distribution used for calculating the p-value.意思是你想看看你的数据符合啥分布，则将该参数设置为啥分布。

##生成随机数
import numpy as np
np.random.seed(0)
testData = np.random.normal(0,1,100)
 
##利用Kolmogorov-Smirnov test检验testData是否服从正态分布
import scipy.stats as stats
stats.kstest(testData,'norm')
##输出（统计量D的值,P值）=(0.058248638723832402, 0.88658843653019392)
##统计量D的值越接近0就越表明数据和标准正态分布拟合得越好，P值>指定水平,不拒绝原假设，可以认为样本数据服从正态分布。
           

   2)

import numpy as np
chi2 = np.random.chisquare(98, size=100)
norm = np.random.normal(0,1,100)
##检验norm和chi2是否服从同一分布
import scipy.stats as stats
print(stats.ks_2samp(norm, chi2))
##输出Ks_2sampResult(statistic=1.0, pvalue=1.5505547466854487e-45)
           

方法3：安德森-达令检验(Anderson-Darling test)

概念：检验样本数据是否来自特定分布，包括分布：'norm', 'expon', 'gumbel', 'extreme1' or 'logistic'. 

适用范围：它可用於试验分布是否适合，它可以用于建基於最小距离估计程序的参数估计。

代码：

import numpy as np
np.random.seed(0)
data_norm = np.random.normal(0,1,100)
 
##用Anderson-Darling检验生成的数组是否服从正态分布
import scipy.stats as stats
stats.anderson(data_norm, dist='norm')
           

方法4：Lilliefors检验

概念：检验样本数据是否来自正态总体

适用范围：当总体均值和方差未知时，用样本的均值和方差代替后 再用K-S检验法。据说效果不如Anderson-Darling test

代码：

#代码有点问题，后续会修正
##生成1000个服从N（0,1）的随机数
import numpy as np
np.random.seed(0)
norm_Data = np.random.normal(0,1,1000)
#生成100个服从lambda=10的指数分布exp(10)
exp_Data = np.random.exponential(scale=0.1, size=1000) #scale=1/lambda
 
 
from statsmodels.stats.diagnostic import lilliefors
lilliefors(norm_Data)
##输出(统计量的值,P值)=(0.019125294462402076, 0.48168672320192013)，P值>指定水平0.05,接受原假设，可以认为样本数据服从正态分布
 
lilliefors(exp_Data)
           

方法5：基于偏度和峰度的检验

概念：偏度是判断样本左边长尾(峰度)还是右边长尾，峰度是判断样本的分布是瘦高还是矮胖。

适用范围：可用于检验样本数据是否来自正态分布（偏度=0，峰度=3），易受异常值影响，不能用于小样本。

代码：

##生成1000个服从N（0,1）的随机数
import numpy as np
np.random.seed(0)
norm_Data = np.random.normal(0,1,1000)
#生成100个服从lambda=10的指数分布exp(10)
exp_Data = np.random.exponential(scale=0.1, size=1000) #scale=1/lambda
 
import scipy.stats as stats
stats.jarque_bera(norm_Data)
##输出(统计量JB的值,P值)=(0.28220016508625245, 0.86840239542814834)，P值>指定水平0.05,接受原假设，可以认为样本数据在5%的显著水平下服从正态分布

stats.jarque_bera(exp_Data)
##输出(统计量JB的值,P值)=(1117.2762482645478, 0.0)，P值<指定水平0.05,拒绝原假设，认为样本数据在5%的显著水平下不服从正态分布
 
           

参考：

1.https://zhuanlan.zhihu.com/p/51173605

2.https://blog.csdn.net/qq_20207459/article/details/80331805

3.https://www.jianshu.com/p/04cc140e1127

4.https://www.jianshu.com/p/c675e3f67843