python 假设检验p值_python scipy.stats计算双独立样本假设检验(2 sample independent test)...

完全独立随机设计的两样本均数的比较,其目的是检验两样本所来自总体的均数是否相等。例如两个不同版本的测试程序对产品温度控制是否一样；两种不同的加工方法加工出的工件长度是否一样等。#_*_coding:utf-8_*_

#本节内容学习用python统计包scipy自动计算双独立假设检验：

'''

双独立（independent）样本检验（ttest_ind）'''

import numpy as np

import pandas as pd

from scipy import stats

import matplotlib.pyplot as plt

import seaborn as sns

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['SimHei'] # 雅黑字体

plt.rcParams['axes.unicode_minus']=False

#T检验是假设检验的一种，又叫student t检验（Student’s t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。A=[1.629,1.628,1.63,1.632,1.633,1.634,1.635,1.635,1.6335,1.6351,1.636,1.6362,1.637,1.638,1.639,1.72,1.721,1.731]

B=[1.628,1.6289,1.631,1.63,1.634,1.634,1.635,1.635,1.6335,1.6351,1.636,1.6362,1.637,1.637,1.636,1.73]

dataA=np.array(A)

dataB=np.array(B)

A_mean=dataA.mean()B_mean=dataB.mean()

print('A版本的平均值=',A_mean)

print('B版本的平均值=',B_mean)'''

这里要区别：数据集的标准差，和样本标准差

数据集的标准差公式除以的是n，样本标准差公式除以的是n-1。

样本标准差，用途是用样本标准差估计出总体标准差pandas计算的标准差，默认除以的是n-1，也就是计算出的是样本标准差''''''#样本标准差a_std=dataA.std()

b_std=dataB.std()print('A版本样本标准差=',a_std)

print('B版本样本标准差=',b_std)

#零假设：A版本和B版本没有差别，也就是A版平均值=B版本平均值

#备选假设：A版本和B版本有差别，也就是A版本平均值不等于B版本平均值

#因为有2组样本，是不同的人，选择双独立样本检验.两样本均值比较，双尾检验.sns.distplot(dataA)

plt.title('A版本数据集分布')

plt.show()

sns.distplot(dataB)

plt.title('B版本数据集分布')

plt.show()

'''

Scipy的双独立样本t检验不能返回自由度，对于后面计算置信区间不方便。所以我们使用另一个统计包（statsmodels）

'''

'''

ttest_ind:独立检验双样本t检验，usevar='unequal'两个总体方差不一样

返回的第1个值t是假设检验计算出的t值，

第2个p_two是双尾检验的p值

第3个DF是独立双样本的自由度'''import statsmodels.stats.weightstats as stt,p_two,df=st.ttest_ind(dataA,dataB, usevar='unequal')print('t=',t,'p_twotail=',p_two,'df=',df)

#判断标准（显著水平）使用alpha=0.05

alpha=0.05

#做出结论

if (p_two

print('拒绝零假设，A和B版本有差异')

else:

print('接受零假设，A和B没有差别')

程序运行结果为：A版本的平均值= 1.6490444444444445

B版本的平均值= 1.63979375

A版本样本标准差= 0.03370152027929608

B版本样本标准差= 0.023452384440339966

t= 0.9093861632613868 p_twotail= 0.37029967620807425 df= 30.402183227443754

接受零假设，A和B没有差别

由于P>0.05; A版本和B版本没有区别。