我使用以下代码生成了一个 qq 图。我知道qq plot是用来检查数据是否正常分布的。我的问题是 qq 图中的 x 和 y 轴标签表示什么，r 平方值表示什么？
N = 1200
p = 0.53
q = 1000
obs = np.random.binomial(N, p, size = q)/N
import scipy.stats as stats
z = (obs-np.mean(obs))/np.std(obs)
stats.probplot(z, dist="norm", plot=plt)
plt.title("Normal Q-Q plot")
plt.show()
我知道已经有关于qq plot的讨论，但是我无法理解尽管经历了那个讨论的概念。
Macond 的回答是准确的，但是从原始帖子来看，我认为简化措辞可能会有所帮助。
QQ 图代表“分位数-分位数图”。
这是一个图，其中轴被有意变换以使正态（或高斯）分布出现在一条直线上。换句话说，完全正态分布将完全遵循斜率 = 1 且截距 = 0 的线。
因此，如果图看起来不是——大致上——一条直线，那么潜在的分布就不是正态分布的。例如，如果它向上弯曲，则“高传单”值比预期的要多。（该链接提供了更多示例。）
理论分位数沿 x 轴放置。也就是说，x 轴不是您的数据，它只是对您的数据应该在哪里的预期，如果它是正常的。
实际数据沿 y 轴绘制。
这些值是与平均值的标准偏差。所以，0是数据的平均值，1是 1 个标准差，等等。这意味着，例如，68.27%如果你有一个正态分布，你的所有数据的平均值应该在 -1 和 1 之间。
这value 对于这种情节并不是特别有用。 通常用于确定一个变量是否依赖于另一个变量。好吧，您正在将理论值与实际值进行比较。所以必然会有某种. （例如，即使是随机均匀分布也会有适度的体面.)
最后，还有一个很少使用的类似图，称为pp 图。如果您有兴趣关注大量数据所在的位置，而不是极端数据，则此图会更有用。
Y 轴显示观测分布值，X 轴显示理论分布值。
每个点都是一个分位数。假设图上有 100 个点，第一个点（左下角的那个）表示一个区间的上限，当从最小到最大排序时，最小的 1% 的数据点相应的分布停留在这个区间。同样，第二个点是区间的上限，分布中最小的 2% 的数据点位于该区间。这就是分位数的概念。但这并不限于有 100 个区间的情况，它是一个通用概念，您可以有尽可能多的区间，那么您将有那么多的分位数来描述区间的边界。
该图的特别之处在于，每个点的位置决定了两个分布中给定分位数的实际值，作为轴上的对应值。假设再次有 100 个这样的点（分位数），这个图告诉我们观察到的分布中最小的 1% 的数据点介于 (, -3.5] 并且理论分布中最小的 1% 的数据点介于 (, -3.2]。通过这种方式，您可以看到每个区间边界在两个分布中的位置。
我在整个答案中都使用了数据点，例如有序数据点等。这是指离散分布，但这个概念可以推广到连续分布。
是衡量点与红线拟合程度的指标。如果两个轴具有相同的分布，则所有点都将完全在线上，并且等于 1。您可以在任何解释线性回归的文本中了解更多信息。