您将如何使用Python创建一个qq图？
假设您有大量的测量值，并且正在使用一些将XY值作为输入的绘图功能。该函数应将测量的分位数与某种分布的相应分位数（正态，均匀...）作图。
结果图使我们可以评估测量是否遵循假设的分布。
http://en.wikipedia.org/wiki/Quantile-quantile_plot
R和Matlab都为此提供了现成的函数，但是我想知道用Python实现的最干净的方法是什么。
使用SciPy的分位数图
Answers:
我想那scipy.stats.probplot会做你想要的。有关更多详细信息，请参见文档。
import numpy as np
import pylab
import scipy.stats as stats
measurements = np.random.normal(loc = 20, scale = 5, size=100)
stats.probplot(measurements, dist="norm", plot=pylab)
pylab.show()
结果
有时我看到一些虚线的置信线，它们在中间变窄并且在末端像喇叭一样。您可以将这些“指导线”添加到绘图中吗？
—
诺费尔德
好的，但这是一个概率图（样本与理论分布）。一个qq图比较两个样本。 itl.nist.gov/div898/handbook/eda/section3/qqplot.htm itl.nist.gov/div898/handbook/eda/section3/probplot.htm
—
Ricky Robinson
@RickyRobinson似乎许多资料（包括维基百科）都与NIST手册相抵触。几乎所有其他来源都指出，QQ图在水平轴上具有理论分位数，在垂直方向上具有数据分位数。无论如何，区别是学术上的：绘制样本基本上与使用经验分布函数相同。无论哪种方式，您都将一个分配的分位数绘制到另一个。
—
彼得
我同意@RickyRobinson，这不是此问题的正确答案。QQ图和概率图虽然在一个分布的分位数与另一个分布之间却有所不同。
—
佛罗伦萨
使用qqplotofstatsmodels.api是另一种选择：
很基本的例子：
import numpy as np
import statsmodels.api as sm
import pylab
test = np.random.normal(0,1, 1000)
sm.qqplot(test, line='45')
pylab.show()
结果：
文档和更多示例在这里
@ tommy.carstensen有人故意分开
—
SARose
scipy来statsmodels
请注意。您的示例画出了标准正态分布的界线。要像@Geoff示例中那样获得标准化线（按给定样本的标准偏差缩放并添加均值），则需要设置line ='s'而不是line = '45'–
—
Mike
为此答案+1。我认为将更多的资源集中在一个统计包上非常重要。
—
肯T
statsmodels将是一个不错的选择。
如果需要对一个样本与另一个样本进行QQ图绘制，则statsmodels包括qqplot_2samples（）。就像上面评论中的Ricky Robinson一样，这就是我认为的QQ图与概率图，这是相对于理论分布的样本。
这种qqplot实现似乎无法处理大小不同的样本，这很有趣，因为QQ图的最大优势之一是可以比较大小不同的样本……
—
Robert Muil 2014年
我想到了这个。也许您可以改善它。尤其是生成分布的分位数的方法对我来说似乎很麻烦。
您可以np.random.normal用其他任何分布替换，np.random以将数据与其他分布进行比较。
#!/bin/python
import numpy as np
measurements = np.random.normal(loc = 20, scale = 5, size=100000)
def qq_plot(data, sample_size):
qq = np.ones([sample_size, 2])
np.random.shuffle(data)
qq[:, 0] = np.sort(data[0:sample_size])
qq[:, 1] = np.sort(np.random.normal(size = sample_size))
return qq
print qq_plot(measurements, 1000)
为了增加对Python和R世界中QQ图和概率图的困惑，这是SciPy手册所说的内容：
“
probplot生成概率图，不应与QQ或PP图混淆。Statsmodels具有此类更广泛的功能，请参阅statsmodels.api.ProbPlot。”
如果尝试一下scipy.stats.probplot，您会发现它确实将数据集与理论分布进行了比较。QQ图OTOH比较两个数据集（样本）。
R具有功能qqnorm，qqplot和qqline。从R帮助（版本3.6.3）中：
qqnorm是一个泛型函数，其默认方法会生成y中值的普通QQ图。qqline在“理论”（默认情况下，正常，分位数-分位数）图中添加一条线，该图通过概率分位数，默认情况下通过第一和第三四分位数。
qqplot生成两个数据集的QQ图。
简而言之，Rqqnorm提供scipy.stats.probplot了与默认设置相同的功能dist=norm。但是，他们称其qqnorm为“正常QQ图”的事实可能会使用户感到困惑。
最后，请注意。这些图不能代替适当的统计检验，仅应用于说明目的。
你可以使用散景
from bokeh.plotting import figure, show
from scipy.stats import probplot
# pd_series is the series you want to plot
series1 = probplot(pd_series, dist="norm")
p1 = figure(title="Normal QQ-Plot", background_fill_color="#E8DDCB")
p1.scatter(series1[0][0],series1[0][1], fill_color="red")
show(p1)
您的样本量是多少？这是使用OpenTURNS库针对任何分布测试数据的另一种选择。在下面的示例中，我从均匀分布中生成了一个1.000.000数字的样本x，并针对正态分布对其进行了测试。如果将x重塑为数据，则可以用数据替换xx= [[x1], [x2], .., [xn]]
import openturns as ot
x = ot.Uniform().getSample(1000000)
g = ot.VisualTest.DrawQQplot(x, ot.Normal())
g
在我的Jupyter笔记本中，我看到：
如果您正在编写脚本，则可以更正确地执行
from openturns.viewer import View`
import matplotlib.pyplot as plt
View(g)
plt.show()
probplot吗？docs.scipy.org/doc/scipy/reference/generation/…–