### Python 实现 Excel 数据正态分布分析 为了实现从 Excel 文件读取数据并进行正态分布分析，可以利用 `pandas` 库来加载 Excel 文件中的数据，并借助 `numpy` 和 `scipy.stats` 来完成统计测试。下面提供了一个完整的代码示例用于展示如何执行这一过程。 #### 加载所需库 ```python import pandas as pd import numpy as np from scipy import stats import matplotlib.pyplot as plt %matplotlib inline ``` #### 读取 Excel 文件的数据 假设有一个名为 "data.xlsx" 的文件位于当前工作目录中，其中包含一列数值型数据作为待检测对象。 ```python # 使用 pandas 读取 excel 文件 df = pd.read_excel('data.xlsx') # 显示前几行查看数据结构 print(df.head()) ``` #### 进行初步可视化评估 通过绘制散点图和直方图结合核密度估计曲线来进行直观上的正态性判断。 ```python fig = plt.figure(figsize=(10, 6)) ax1 = fig.add_subplot(2, 1, 1) # 散点图显示原始数据点位置 ax1.scatter(df.index, df.iloc[:, 0].values) plt.grid() ax2 = fig.add_subplot(2, 1, 2) # 绘制直方图以及 KDE 曲线 df.iloc[:, 0].hist(bins=30, alpha=0.5, ax=ax2) df.iloc[:, 0].plot(kind='kde', secondary_y=True, ax=ax2) plt.grid() plt.show() ``` #### 执行 Kolmogorov-Smirnov 测试 基于上述图形化方法得到的结果进一步采用 K-S 检验验证样本是否来自给定的理论分布——这里指标准正态分布N(μ,σ²)[^2]。 ```python mean_val = df.iloc[:, 0].mean() # 计算平均数 μ std_dev = df.iloc[:, 0].std() # 计算标准偏差 σ ks_result = stats.kstest(df.iloc[:, 0], 'norm', args=(mean_val, std_dev)) if ks_result.pvalue > 0.05: print(f'P-value={ks_result.pvalue:.4f}, 接受原假设：该组数据服从正态分布') else: print(f'P-value={ks_result.pvalue:.4f}, 拒绝原假设：该组数据不服从正态分布') ``` 此段代码实现了从 Excel 中导入数据到 Pandas DataFrame 对象里，接着进行了简单的探索性和描述性统计分析；最后运用了 K-S 检验来正式确认所选数据集是否满足正态分布特性。