python ks值,ks检验正态分布p值

　　更多大数据分析、建模等内容请关注公众号《bigdatamodeling》/件蟒蛇皮实现偷杀/抢杀曲线，相关使用方法请参考上篇博客-R语言实现偷杀/抢杀曲线

　　# # # # # # # # # # # # # # # # # # # # # # # # def PlotKS(preds，labels，n，ASC):# preds is score:ASC=1 # preds is prob:ASC=0 pred=preds #预测值错误=标签#取一为坏，0为good ksds=DataFrame({bad: bad， pred :pred })ksds[ good ]=1-ksds。如果ASC==1:ksds 1=ksds，则为不良。sort _ values(by=[ pred ， bad]，ascending=[True，True])elif ASC==0:ksds 1=ksds。sort _ values(by=[ pred ， bad]，ascending=[False，True])ksds 1。索引=范围(长度(ksds 1。pred False])elif ASC==0:ksds 2=ksds。sort _ values(by=[ pred ， bad]，ascending=[False，False])ksds 2。索引=范围(长度(ksds 2。pred))ksds 2[ cumsum _ good 2 ]=1.0 * ksds 2。很好。cumsum()/sum(ksds 2。good)ksds 2[ cumsum _ bad 2 ]=1.0 * ksds 2。不好。cumsum()/sum(ksds 2).as type(int)ks _ index=list(ks _ index)ksds=ksds。loc[ks _ index]ksds=ksds[[ tile ， cumsum_good ， cumsum_bad ， ks]] ksds0=np.array([[0，0，0，0]]) ksds=np.concatenate([ksds0，ksds]，axis=0) ksds=DataFrame(ksds，columns=[tile ， cumsum_good ， cumsum_bad ， ks ])ks _ value=kss cumsum_good]，color=blue ，line style=-)plsaxh线(ksds。loc[ksds。KS。idx max()， cumsum_bad]，color=red ，line style=-)PLT。标题( KS=% s % NP。round(KS _ value，4) at Pop=%s %np.round(ks_pop，4)，font size=15)返回ksds # # # # # # # # # # # # # # # # # #作图如下：

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。