概念

假設某個數據的均值為u，實際抽樣時離u越近說明假設的這個均值越合理，越遠，就說明越不合理。

這里又有個p-value的概念，代表實際抽樣的結果與假設的差異程度。值越大意味著越無差異。實際中我們會自己設置一個閾值，如0.05，當計算出來的p-value大于這個0.05時，就滿足我們的需求，這個0.05叫顯著性水平。

單樣本T檢驗：檢驗單個樣本的平均值是否等于目標值；

Python代碼

如下場景，一串數據，他的增長率是否是0.1，顯著性水平為0.5，也就是p-value大于0.5說明檢驗單個樣本的平均值等于目標值；

如下代碼：

import statsmodels.api as smvalueList = [0.169747191462884, 0.165484359308337, 0.141358295556684, 0.0631967134074211, 0.101527686160212]if __name__ == '__main__':d = sm.stats.DescrStatsW(valueList)print('t檢驗= %6.4f,p-value=%6.4f, df=%s' % d.ttest_mean(0.10))pass

運行截圖如下：

?其中來看下ttest_mean這個函數

def ttest_mean(self, value=0, alternative="two-sided"):"""ttest of Null hypothesis that mean is equal to value.The alternative hypothesis H1 is defined by the following- 'two-sided': H1: mean not equal to value- 'larger' : H1: mean larger than value- 'smaller' : H1: mean smaller than valueParameters----------value : float or arraythe hypothesized value for the meanalternative : strThe alternative hypothesis, H1, has to be one of the following:- 'two-sided': H1: mean not equal to value (default)- 'larger' : H1: mean larger than value- 'smaller' : H1: mean smaller than valueReturns-------tstat : floattest statisticpvalue : floatpvalue of the t-testdf : int or float"""# TODO: check direction with R, smaller=less, larger=greatertstat = (self.mean - value) / self.std_meandof = self.sum_weights - 1# TODO: use outsourcedif alternative == "two-sided":pvalue = stats.t.sf(np.abs(tstat), dof) * 2elif alternative == "larger":pvalue = stats.t.sf(tstat, dof)elif alternative == "smaller":pvalue = stats.t.cdf(tstat, dof)return tstat, pvalue, dof

需要注意以下幾點：

①ttest_mean有2個參數，一個是value，一般傳array進去，第二個參數有3個值，分別是：

"two-sided": 不等與value；（默認） "larger": 大于value； "smaller": 小于value；

②返回值有3個參數：

tstat : float ：t檢驗值，越大說明越合理 pvalue : float ：p-value值，和設置的顯著水平比較，證明這個傳入的參數value是否合理； df : int or float ：上面的數據類型是什么float還是int，保留幾位小數；

總結

以上是生活随笔為你收集整理的Python笔记-假设检验之单样本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。