好的，所以我尝试使用kstest的scipys实现来评估哪个分布最适合数据。我对kstest工作原理的理解是，统计数据表示空假设的概率（即返回的概率是所讨论的模型对数据错误的概率）。对于0.0到1.0之间的均匀分布，这与预期差不多
a=np.random.uniform（大小=4999）
打印（scipy.stats.kstest（a，'uniform'，args=（0.0,1.0）））
KstestResult（统计=0.010517039009963702，p值=0.63796173656227928）
然而，当我将均匀分布的界从（0.0，1.0）移到（2.0，3.0）时，K-S统计量异常高
a=np.随机.均匀（2.0，3.0，尺寸=4999）
打印（scipy.stats.kstest（a，'uniform'，args=（2.0,3.0）））
KstestResult（统计=0.66671700832788283，p值=0.0）
在第二种情况下，检验统计量的值是否应该较低，因为所传递的参数近似于以前的分布？
最佳答案
numpy（由您使用）和scipy.stats（由ks test使用）版本的uniform工作方式不同：
>>> np.random.uniform(2,3,5000).max()
2.9999333044165271
>>> stats.uniform(2,3).rvs(5000).max()
4.9995316751114043
在
numpy中，第二个参数被解释为上限，在scipy.stats中，它是scale参数，即宽度。关于python - scipy kstest在不同范围内不一致，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/42183717/