pearsonr() python_15个 Python统计假设测试(备忘单)

应用于机器学习的15个统计假设测试速查指南，附 Python代码

尽管在日常开发中会用到数以百计的统计假设测试，但在机器学习实际项目中可能只需要使用到其中一小部分。

在本文中，将涵括最流行的Python API的机器学习项目统计假设测试的备忘单。

每项统计测试均以下述统一的方式给出，包括：

• 测试名称
• 测试检测内容
• 测试的关键假设
• 如何解释测试结果
• 用于测试的Python API。

注：当涉及到数据的预期分布或样本大小这样的假设时，即使在不满足假设的情况下，给定测试的结果虽然可能会不尽如人意，但是也不会无法使用。

通常，数据样本域必须足够大，以便能够分析出它们的分布。

在某些情况下，可以对数据进行校正以满足假设，例如：可以通过删除异常值将接近正态分布修正为正态分布，或在样本有不同方差时使用对自由度的修正。

最后，可能会对某一特定问题进行多项测试，例如：正态化。有时不能用统计数据直接得出清晰的答案，测试后得到的答案却是概率。为此，可以利用不同的方式考虑同一问题，得出不同的答案。所以，对于某些数据问题，需要进行多个不同的测试。

在我的新书中会涉及：统计假设检验、重采样方法，估计统计和非参数方法，并附有有29个进阶教程和完整的源代码。让我们开始吧。

• 更新于2018年11月：增加了对所涉测试的详细论述。

教程概述

本教程分为以下四部分：

1.正态性测试

1. Shapiro-Wilk测试

2. D’Agostino’s K^2测试

3. Anderson-Darling测试

2. 相关性测试

1. Pearson相关系数

2.Spearmans序相关性

3 Kendall序相关性

4 Chi-Squared测试。

3 参数统计假设测试

1.学生t测试

2.配对学生t测试

3.方差分析测试(ANOVA)

4.重复测量方差分析(ANOVA)测试

4.非参数统计假设测试

1.Mann-Whitney U测试

2.Wilcoxon带符号序测试

3.Kruskal-Wallis H测试

4.Friedman测试

1. 正态性测试

本节所列出的统计测试，可以利用它们来检查数据是否为高斯分布。

Shapiro-Wilk测试

测试数据样本是否为高斯分布。

假设：

• 各样本中的观察数据独立同分布（iid）。

解释：

• H0：样本为高斯分布。
• H1：样本为非高斯分布。

Python代码。

• 详细信息请参考：
• scipy.stats.shapiro
• 维基百科：Shapiro-Wilk 测试

D’Agostino’s K^2 测试

测试数据样本是否为高斯分布。

假设：

各样本中的观察数据独立同分布（iid）。

解释

H0：样本为高斯分布。

H1：样本为非高斯分布。

Python代码

详细信息请参考：

• scipy.stats.normaltest
• 维基百科：D’Agostino’s $K$-squared 测试

Anderson-Darling测试

测试数据样本是否为高斯分布。

假设

·各样本中的观察数据独立同分布（iid）。

解释

H0：样本为高斯分布。

H1：样本为非高斯分布。

Python代码

• 详细信息请参考：
• scipy.stats.anderson
• 维基百科：Anderson-Darling测试

2. 相关性测试

本节所列出的统计测试，可利用它们来检查两个样本是否相关。

Pearson相关系数

检验两个样本是否线性相关。

假设：

·各样本中的观察数据独同分布（iid）。

·各样本中的观测数据呈正态分布。

·各样本的观测数据有相同的方差。

解释

·H0：两个样本之间相互独立。

·H1：样本之间存在依存关系。

Python代码

• 详细信息请参考：
• scipy.stats.pearsonr
• 维基百科：Pearson相关系数

Spearman序相关性

测试两个样本是否存在单调关系。

假设

·各样本中的观察数据独立同分布（iid）。

·各样本中的观测数据可以进行排序。

解释

·H0：两个样本之间相互独立。

·H1：样本之间存在依存关系。

Python代码

详细信息请参考：

• scipy.stats.spearmanr
• 维基百科：Spearman序相关系数

Kendall序相关性

测试两个样本是否存在单调关系。

假设

• 各样本中的观察数据独立同分布（iid）。
• 各样本中的观测数据都可以进行排序。

解释

H0：两个样本之间相互独立。

H1：样本之间存在依存关系。

Python代码。

详细信息请参考：

• scipy.stats.kendalltau
• 维基百科Kendall序相关系数

Chi-Squared测试

测试两个范畴变量是相关的还是独立的。

假设

·计算相依表时使用的观察数据是独立的。

·相依表的每个单元格中至少有25个例子。

解释

·H0：两个样本之间相互独立。

·H1：样本之间存在依存关系。

Python代码

详细信息请参考：

• scipy.stats.chi2_contingency
• 维基百科：Chi-Squared测试

3. 参数统计假设测试

本节列出了可用于比较数据样本的统计测试。

学生t测试

测试两个独立样本的均值是否有显著不同。

假设

·各样本中的观察结果独立同分布（IID）。

·各个样本中的观察数据呈正态分布。

·各样本中的观察数据具有相同的方差。

解释

·H0：样本的均值相等。

·H1：样本的均值不等。

Python代码

详细信息请参考：

• scipy.stats.ttest_ind
• 维基百科：Student’s t-test测试

成对的学生t测试

测试两个样本对的均值是否存在显着性差异。

假设

·各样本中的观测数据是独立同分布的(Iid)。

·各样本中的观测数据呈正态分布。

·各样本的观测数据有相同的方差。

·各样本的观测数据成对出现。

解释

·H0：样本的均值相等。

·H1：样本的均值不等。

Python代码

详细信息请参考：

• scipy.stats.ttest_rel
• 维基百科：Student’s t-test测试

方差分析(ANOVA)测试

测试两个或多个独立样本的均值是否存在显着性差异。

假设

• ·各样本中的观测数据独立同分布 (Iid)。
• 各样本中的观测数据呈正态分布。
• 各样本的观测数据有相同的方差。

解释

·H0：样本的均值相等。

·H1：一个或多个样本的均值不等。

Python代码

重复测量方差分析(ANOVA)测试

测试两个或更多样本对的均值是否存在显着性差异。

假设

• 各样本中的观测数据独立同分布 (Iid)。
• 各样本中的观测数据呈正态分布。
• 各样本的观测数据有相同的方差。
• 各样本的观测数据成对。

解释

·H0：样本的均值相等。

·H1：一个或多个样本的均值不等。

Python代码

目前Python不支持这种测试。

详细信息请参考：

• ·维基百科：方差分析

4. 非参数统计假设测试

MannWhitney U测试。

测试两个独立样本的分布是否相等。

假设

·各样本中的观测数据为独立同分布的(Iid)。

·可对各样本中的观察数据进行排序。

解释

·H0：样本之间同分布。

·H1：样本之间分布不同。

Python代码

详细信息请参考：

• scipy.stats.mannwhitneyu
• 维基百科：Mann-Whitney U 测试

Wilcoxon带符号 –序测试

测试样本对的分布是否相等。

假设：

• 各样本中的观测数据为独立同分布 (Iid)。
• 可对各样本中的观察数据进行排序。
• 各样本的观察数据是成对的。

解释

H0：样本之间同分布。

H1：样本之间的分布不等。

Python代码。

详细信息请参考：

• scipy.stats.wilcoxon
• 维基百科 signed-rank 测试

Kruskal-Wallis H 测试

测试两个或多个独立样本的分布是否相等。

假设

·各样本中的观察数据独立同分布（IID）。

·可对各样本中的观察数据进行排序。

解释：

·H0：所有样本同分布。

·H1：一个或多个样本的分布不相同。

Python代码

详细信息请参考：

• scipy.stats.kruskal
• 维基百科Kruskal-Wallis方差分析

Friedman 测试

测试两对或多对样本的分布是否相等。

假设

·各样本中的观察数据独立同分布（IID）。

·可对各样本中的观察数据进行排序。

·各样本的观测数据成对。

解释

·H0：所有样本同分布。

·H1：一个或多个样本的分布不同。

Python代码

详细信息请参考：

• scipy.stats.friedmanchisquare
• 维基百科Friedman测试

课外阅读

如果想深入了解本专题的话，本节给出了更多关于本主题的参考资料。

• ·Python正态测试通论
• ·如何利用相关性来理解变量之间的关系？
• 如何利用Python进行的参数统计测试？
• 统计假设测试通论

总结

在本教程中，对机器学习项目中可能需要用到的重要的统计假设测试做了介绍。

具体而言，通过本文可以了解到：

• 在不同应用环境下使用到的不同种类的测试，如：正态性检查、变量之间的关系和样本之间的差异。
• 每个测试的关键假设以及如何解释测试结果。
• ·如何使用Python API实现该测试。

还有问题吗？

可在下面的评论中提出你的问题，我会尽量作答。

我是否遗漏了一项重要的统计测试？或者遗漏了列表中的测试的关键假设？请在下面的评论中告诉我。