Python z-score 的概率，反之亦然
声明：本页面是StackOverFlow热门问题的中英对照翻译，遵循CC BY-SA 4.0协议，如果您需要使用它，必须同样遵循CC BY-SA许可，注明原文地址和作者信息，同时你必须将它归于原作者（不是我）：StackOverFlow
原文地址: http://stackoverflow.com/questions/20864847/
Warning: these are provided under cc-by-sa 4.0 license. You are free to use/share it, But you must attribute it to the original authors (not me):
StackOverFlow
Probability to z-score and vice versa
提问by user3084006
How do I calculate the z scoreof a p-valueand vice versa?
我如何计算z scorea 的p-value，反之亦然？
For example if I have a p-value of 0.95I should get 1.96in return.
例如，如果我有一个 p 值，0.95我应该得到1.96回报。
I saw some functions in scipy but they only run a z-test on an array.
我在 scipy 中看到了一些函数，但它们只对数组运行 z-test。
I have access to numpy, statsmodel, pandas, and scipy (I think).
我可以访问 numpy、statsmodel、pandas 和 scipy（我认为）。
采纳答案by Myles Baker
>>> import scipy.stats as st
>>> st.norm.ppf(.95)
1.6448536269514722
>>> st.norm.cdf(1.64)
0.94949741652589625
As other users noted, Python calculates left/lower-tail probabilities by default. If you want to determine the density points where 95% of the distribution is included, you have to take another approach:
正如其他用户所指出的，Python 默认计算左/下尾概率。如果要确定包含 95% 分布的密度点，则必须采用另一种方法：
>>>st.norm.ppf(.975)
1.959963984540054
>>>st.norm.ppf(.025)
-1.960063984540054
回答by Xavier Guihot
Starting in Python 3.8, the standard library provides the NormalDistobject as part of the statisticsmodule.
从 开始Python 3.8，标准库将NormalDist对象作为statistics模块的一部分提供。
It can be used to get the zscorefor which x% of the area under a normal curve lies (ignoring both tails).
它可用于获取zscore正态曲线下面积的 x%（忽略两条尾巴）。
We can obtain one from the other and vice versa using the inv_cdf(inverse cumulative distribution function) and the cdf(cumulative distribution function) on the standard normal distribution:
我们可以使用标准正态分布上的inv_cdf（逆累积分布函数）和cdf（累积分布函数）从另一个中获得一个，反之亦然：
NormalDist().inv_cdf((1 + 0.95) / 2.)
# 1.9599639845400536
NormalDist().cdf(1.9599639845400536) * 2 - 1
# 0.95
An explanation for the '(1 + 0.95) / 2.' formula can be found in this wikipediasection.
'(1 + 0.95) / 2.' 的解释 公式可以在这个维基百科部分找到。
