BoxCox以及反变换的简介和Python实现

Box-Cox变换是一种广义幂变换方法，用于连续的响应变量不满足正态分布的情况。Box-Cox变换之后，可以一定程度上减小不可观测的误差和预测变量的相关性。Box-Cox变换的主要特点是引入一个参数lambda，通过数据本身估计该参数进而确定应采取的数据变换形式，Box-Cox变换可以明显地改善数据的正态性、对称性和方差相等性，对许多实际数据都是行之有效的（摘自百度百科）。 我认为最关键的是这一点：Box-Cox变换通过对因变量进行变换，使得变换过的向量与回归自变量具有线性相依关系，误差也服从正态分布．误差各分量是等方差且相互独立，故Box-Cox变换是通过参数的适当选择。达到对原来数据的“综合治理”，使其满足一个正态线性回归模型的所有假设条件。 他不是仅仅为了使原数据集变换为正态分布，所以他与Z-Score标准化不同，从我了解的角度，Box-Cox变换兼顾了变量在时间序列维度上的回归特性，所以经常用于时间序列方面的预测。

Box-Cox公式为： 但是Box-Cox要求y>0，否则在python中会报如下错误信息：

所以对于y