对数据进行建模处理时，常需要进行数据分布检验；
import numpy as np
from scipy import stats
a = np.random.normal(0,1,50)
'''输出结果中第一个为统计量，第二个为P值（统计量越接近1越表明数据和正态分布拟合的好，
P值大于指定的显著性水平，接受原假设，认为样本来自服从正态分布的总体）'''
print(stats.shapiro(a))
'''输出结果中第一个为统计量，第二个为P值（注：统计量越接近0就越表明数据和标准正态分布拟合的越好，
如果P值大于显著性水平，通常是0.05，接受原假设，则判断样本的总体服从正态分布）'''
print(stats.kstest(a, 'norm'))
'''输出结果中第一个为统计量，第二个为P值（注：p值大于显著性水平0.05，认为样本数据符合正态分布）'''
print(stats.normaltest(a))scipy.stats.kstest（K-S检验）
kstest 是一个很强大的检验模块，除了正态性检验，还能检验 scipy.stats 中的其他数据分布类型，仅适用于连续分布的检验，
原假设：数据符合正态分布
kstest(rvs, cdf, args=(), N=20, alternative='two_sided', mode='approx', **kwds)
对于正态性检验，我们只需要手动设置三个参数即可：
rvs：待检验的一组一维数据
cdf：检验方法，例如'norm'，'expon'，'rayleigh'，'gamma'，这里我们设置为'norm'，即正态性检验
alternative：默认为双尾检验，可以设置为'less'或'greater'作单尾检验
model:'approx'(默认)，使用检验统计量的精确分布的近视值，
'asymp'：使用检验统计量的渐进分布
scipy.stats.shapiro（W检验）
与 kstest 不同，shapiro 是专门用来做正态性检验的模块
原假设：样本数据符合正态分布
注意：shapiro是用来检验小样本数据（数据量<>
scipy.stats.shapiro(x, a=None, reta=False)
一般我们只用 x 参数就行，x 即待检验的数据
scipy.stats.normaltest
normaltest 也是专门做正态性检验的模块，原理是基于数据的skewness和kurtosis
scipy.stats.normaltest(a, axis=0, nan_policy='propagate')
a：待检验的数据
axis：默认为0，表示在0轴上检验，即对数据的每一行做正态性检验，我们可以设置为 axis=None 来对整个数据做检验
nan_policy：当输入的数据中有空值时的处理办法。默认为 'propagate'，返回空值；设置为 'raise' 时，抛出错误；设置为 'omit' 时，在计算中忽略空值。