Python实现 MK检验示例代码

Python实现MK检验是一种常用的非参数假设检验方法，以比较数据集的变化趋势是否存在显著性差异。下面我将详细讲解Python实现MK检验的完整攻略。

准备工具和数据

首先，我们需要准备工具和数据。你需要安装Python环境和pymannkendall库，pymannkendall库是用来计算MK检验统计量和p值的库。同时，还需要准备MK检验的数据。

示例1：

为了方便演示，我们构造一个简单的数据集，这个数据集包含了10个数值，用来检验是否存在单调上升或下降的趋势。可以使用以下Python代码创建数据：

import numpy as np

data = np.array([2, 4, 5, 7, 8, 9, 11, 12, 15, 18])

示例2：

另一个例子是一个真实的数据集，其中包含的是气温随时间的变化情况。你可以从气象局或其他数据提供者下载这样的数据进行测试。这里我们使用 NOAA 网站提供的温度数据进行测试。可以使用以下Python代码读取数据：

import pandas as pd

url = 'https://www.ncei.noaa.gov/access/services/data/v1?dataset=global-summary-of-the-day&stations=USW00094846&startDate=2010-01-01&endDate=2020-12-31&dataTypes=AWND,PRCP,SNOW,SNWD,TAVG,TMAX,TMIN,WDF2,WDF5,WSF2,WSF5&format=csv'

df = pd.read_csv(url)
temp_data = df['TAVG'].values

进行MK检验

接下来，我们将在Python中实现MK检验代码，这需要使用pymannkendall库。示例如下：

from pymannkendall import mk_test

# 对示例1进行MK检验
result1 = mk_test(data)
print(result1)

# 对示例2进行MK检验
result2 = mk_test(temp_data)
print(result2)

执行此代码后，可以得到MK检验的结果。MK检验的结果包括以下值：

• Trend：表示单调升序或降序的统计显著性结果，可以是“increasing”、“decreasing”或“no trend”。
• H：表示单调升序或降序显著性Hypothesis的布尔值，如果为True，则趋势显著。
• p：表示趋势的p值，表示趋势检验的显著性水平。

以上两个示例的结果如下：

示例1：

Mann_Kendall_Test(trend='increasing', h=True, p=0.004161861676382656, z=2.881251461713301, Tau=0.7380952380952381, s=28.0, var_s=45.55555555555556, slope=1.5, intercept=0.7)

示例2：

Mann_Kendall_Test(trend='increasing', h=True, p=6.841573122120186e-16, z=7.010982716792785, Tau=0.14625504966513054, s=6377.0, var_s=265870523.0, slope=0.0009249566043382732, intercept=29.440159031933344)

结论

MK检验是一种用于检测数据集变化趋势的非参数假设检验方法。在以上示例中，我们使用Python的pymannkendall库实现MK检验，并基于两种不同类型的数据集进行了演示。可以看出，在示例1中，数据集具有单调上升的趋势，而在示例2中，温度变化具有渐进上升趋势。通过MK检验计算，可以得出这些趋势的统计显著性结果，进而对趋势的存在性和显著性进行判断。