為什么要寫假設檢驗？因為在工作中經常會遇到ABTest就不可避免的要進行假設檢驗，進行結果的有效性分析。

假設檢驗的方法有很多比如T檢驗、卡方檢驗、方差分析等。這些方法在Excel、Python、R、Spss里都是可以實現的。

本篇文章主要寫代碼層面的實現，本著在工作中學以致用來寫本文，所以會少一些原理性的講解。原理性的講解后期補。

一、假設檢驗——T檢驗

T檢驗有2種，一種叫單樣本T檢驗、另一種兩樣本T檢驗。

工欲善其事必先利其器，用Python進行假設檢驗前我們需要把必備的包給安裝好。

#必備安裝包

pip install scipy numpy

1.1兩樣本T檢驗(ttest_ind)

scipy.stats.ttest_ind(a, b, axis=0, equal_var=True, nan_policy='propagate'

參數解釋：

a、b：待檢驗的數據集

equal_var：方差齊性判斷

nan_policy：執行代碼檢驗，返回結果的狀態。

這個參數有3種狀態：{‘propagate’, ‘raise’, ‘omit’}，分別返回{nan、報錯、忽略}方差齊性定義：兩樣本總體方差相等，當兩總體方差相等時，即具有“方差齊性”，可以直接檢驗。

設：

H0(原假設)：兩列數據沒有顯著性差異。以95%的置信區間進行判定。

數據集：

#均值為5，方差為10的兩列數據

rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)

rvs2 = stats.norm.rvs(loc=5,scale=10,size=500)

#均值為5，方差為20的500個數據

rvs3 = stats.norm.rvs(loc=5, scale=20, size=500)

#均值為5，方差為10的100個數據

rvs4 = stats.norm.rvs(loc=5, scale=20, size=100)

#均值為8，方差為20的100個數據

rvs5 = stats.norm.rvs(loc=8, scale=20, size=100)

1.1.1檢驗rvs1和rvs2之間是否有顯著性差異。

因為：樣本方差，均值相同，數據量相同，可以直接套代碼進行檢驗

stats.ttest_ind(rvs1,rvs2)

#輸出：Ttest_indResult(statistic=0.9208589021990001, pvalue=0.35734663412126055)

1.1.2檢驗rvs1和rvs3之間是否有顯著性差異。

因為：樣本方差不同，均值相同，數據量相同，需要設置equal_var = False

rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)

rvs3 = stats.norm.rvs(loc=5, scale=20, size=500)

stats.ttest_ind(rvs1, rvs3, equal_var = False)

1.1.3檢驗rvs1和rvs4之間是否有顯著性差異。

因為：樣本均值相同，方差不同，樣本量不同。需要設置equal_var = False，如果默認True(不設置)，結果的P值會變大。

rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)

rvs4 = stats.norm.rvs(loc=5, scale=20, size=100)

stats.ttest_ind(rvs1, rvs4, equal_var = False) #If equal_var =True，則P值差異會比較大

1.1.4檢驗rvs1和rvs5之間是否有顯著性差異。

rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)

rvs5 = stats.norm.rvs(loc=8, scale=20, size=100)

stats.ttest_ind(rvs1, rvs5, equal_var = False) #If equal_var =True，則P值差異會比較大

總結

以上是生活随笔為你收集整理的python做t检验_Python实现--假设检验：T检验的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。