正态性检验在可以说医学研究中非常重要，也是特别基本的一个统计方法，它可以用来确定数据集是否遵循正态分布。这个假设对于许多统计分析方法来说是基础，如t检验、ANOVA(方差分析)、回归分析等。如果数据不符合正态分布，那么使用这些方法可能会导致误导性的结果。因此，正态性检验是进行这些统计分析前的重要步骤。

适用范围：正态性检验通常用于连续型变量。例如，人体的身高、体重、血压、血糖等可以用来进行正态性检验。如果数据是分类的或者是排名的，那么正态性检验就不适用。

以下是一些常见的正态性检验方法，以及它们之间的一些区别：

数据：演示数据是关于新生儿出生体重影响因素的， 来自R语言自带数据 birthwt

目的：检验bwt是否符合正态性

使用的库：

库名	用途
pandas	对数据读取、保存、清洗、转换等
scipy	对数据进行统计分析
matplotlib	绘图使用的包

数据大致样式：

首先导入库和读取数据：

# 导入库
from scipy import stats
import pandas as pd

# 读取数据
df = pd.read_csv("data/birthwt.csv", encoding="utf-8")  # 读取数据
print(df.info())  # 打印查看一下数据信息
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 189 entries, 0 to 188
Data columns (total 10 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   low     189 non-null    int64
 1   age     189 non-null    int64
 2   lwt     189 non-null    int64
 3   race    189 non-null    int64
 4   smoke   189 non-null    int64
 5   ptl     189 non-null    int64
 6   ht      189 non-null    int64
 7   ui      189 non-null    int64
 8   ftv     189 non-null    int64
 9   bwt     189 non-null    int64
dtypes: int64(10)
memory usage: 14.9 KB
"""

可以看到数据均为 int64 的数值型数据（Python还有string(文本类型数据), 和float(浮点类型数据，也就小数， int是整数类型），数据量为 189，且均没有缺失值

1. **Shapiro-Wilk 测试**：这是最常用的正态性检验方法之一。它的优点是在小样本（例如，n < 50）上有很好的表现，但是在大样本上可能过于保守，即错误地认为数据不符合正态分布。

# 使用stats类的shapiro方法进行正态性检验
shapiro_test = stats.shapiro(df["bwt"])
print(f"Shapiro-Wilk检验: W={shapiro_test.statistic}, p值={shapiro_test.pvalue}")
Shapiro-Wilk检验: W=0.9924418330192566, p-value=0.43540576100349426
"""

结果分析： 在进行正态性检验后，P值（或概率值）用于确定数据是否符合正态分布的假设。在这个情况下，P值为0.43540576100349426。通常，如果P值大于0.05，我们就不拒绝原假设，也就是认为数据符合正态分布。反之，如果P值小于0.05，我们就拒绝原假设，认为数据不符合正态分布。在你的情况下，由于P值为0.435，大于0.05，因此我们不拒绝原假设，可以认为数据符合正态分布

2. **Kolmogorov-Smirnov 测试**：这个测试的优点是可以用于任何连续分布的检验，不仅仅是正态分布。但是，对于小样本，它的效力较低。

# 进行Kolmogorov-Smirnov检验
ks_statistic, p_value= stats.kstest(df["bwt"], cdf="norm", args=(np.mean(df["bwt"]), np.std(df["bwt"])))
print('statistic:', ks_statistic)
print('P值:', p_value)