Python统计假设检验17种方法速查与应用指南
## 1. 统计假设检验的核心价值与应用场景 统计假设检验是数据分析师和研究人员最常使用的工具之一。在Python生态中，借助SciPy、StatsModels等库，我们可以快速实现各类检验方法。实际工作中经常遇到这样的场景：产品经理拿着AB测试数据问你"这个转化率提升显著吗？"，或者临床研究人员需要确认"新药组和对照组的疗效差异是否具有统计学意义"。这时候就需要选择合适的假设检验方法。 我整理了一份包含17种常用检验方法的速查表（Cheat Sheet），覆盖从正态性检验到非参数检验的常见需求。这份清单特别适合放在手边随时查阅，当你不确定该用T检验还是Mann-Whitney U检验时，可以快速找到答案。下面我会详细解释每种方法的适用条件、实现代码以及实际应用中的注意事项。 ## 2. 参数检验方法详解 ### 2.1 正态分布检验 在决定使用参数检验还是非参数检验前，必须先检查数据是否符合正态分布。常用的检验方法有： ```python from scipy import stats # Shapiro-Wilk检验（适合小样本） stat, p = stats.shapiro(data) # Anderson-Darling检验（适合大样本） result = stats.anderson(data) # Kolmogorov-Smirnov检验 stat, p = stats.kstest(data, 'norm')重要提示：当p值小于0.05时，通常认为数据不服从正态分布。但样本量大于50时，Shapiro检验可能过于敏感，建议改用Anderson-Darling检验。
2.2 均值比较检验
单样本T检验
用于检验样本均值与已知值的差异：
t_stat, p_val = stats.ttest_1samp(sample, popmean)独立样本T检验
比较两组独立样本的均值差异：
t_stat, p_val = stats.ttest_ind(group1, group2)配对T检验
用于前后测设计或配对样本：
t_stat, p_val = stats.ttest_rel(before, after)实际经验：当方差齐性不满足时（可用Levene检验判断），应设置equal_var=False参数使用Welch校正。
3. 非参数检验方法精讲
3.1 秩和检验
当数据不满足正态分布时，Mann-Whitney U检验是独立T检验的非参数替代：
u_stat, p_val = stats.mannwhitneyu(group1, group2)对应的配对版本是Wilcoxon符号秩检验：
stat, p_val = stats.wilcoxon(before, after)3.2 Kruskal-Wallis检验
单因素方差分析的非参数版本，适用于多组比较：
h_stat, p_val = stats.kruskal(*groups)4. 方差分析与相关性检验
4.1 单因素方差分析(ANOVA)
f_stat, p_val = stats.f_oneway(*groups)4.2 重复测量方差分析
需要借助StatsModels实现：
import statsmodels.api as sm from statsmodels.formula.api import ols model = ols('score ~ C(time) + C(subject)', data).fit() anova_result = sm.stats.anova_lm(model, typ=2)4.3 相关性检验
Pearson相关系数（线性相关）：
r, p = stats.pearsonr(x, y)Spearman秩相关（单调关系）：
rho, p = stats.spearmanr(x, y)5. 比例检验与卡方检验
5.1 比例检验
比较样本比例与理论值：
count = 55 # 成功次数 nobs = 100 # 总试验数 value = 0.5 # 理论比例 stat, p_val = stats.binom_test(count, nobs, value)5.2 卡方检验
适合性检验（观察频数vs期望频数）：
stat, p_val = stats.chisquare(f_obs, f_exp)独立性检验（列联表分析）：
stat, p_val, dof, expected = stats.chi2_contingency(table)6. 实用速查表与决策流程
6.1 检验方法选择流程图
| 数据类型 | 比较目标 | 方法选择 |
|---|---|---|
| 连续变量 | 单样本均值 | Shapiro → T检验/Mann-Whitney |
| 连续变量 | 两独立组 | 方差齐性 → T检验/Welch检验 |
| 分类变量 | 比例差异 | 卡方检验/Fisher精确检验 |
6.2 完整17种检验清单
- Shapiro-Wilk正态性检验
- Kolmogorov-Smirnov检验
- Anderson-Darling检验
- 单样本T检验
- 独立样本T检验
- 配对样本T检验
- Levene方差齐性检验
- Mann-Whitney U检验
- Wilcoxon符号秩检验
- Kruskal-Wallis检验
- Friedman检验
- 单因素ANOVA
- 重复测量ANOVA
- Pearson相关性检验
- Spearman相关性检验
- 二项比例检验
- 卡方独立性检验
7. 实际应用中的常见陷阱
7.1 多重比较问题
当进行多次检验时，假阳性率会显著上升。解决方法包括：
- Bonferroni校正：将显著性水平α除以检验次数
- 使用FDR（错误发现率）控制方法
from statsmodels.stats.multitest import multipletests reject, pvals_corrected, _, _ = multipletests(pvals, method='bonferroni')7.2 样本量不足
小样本情况下（n<30），非参数检验的效能可能不足。建议：
- 优先考虑参数检验（如T检验）
- 如必须使用非参数方法，可考虑增加样本量
- 报告效应量（effect size）而不仅是p值
7.3 效应量计算
除了p值，还应报告效应量指标：
- Cohen's d（T检验）
- Eta-squared（ANOVA）
- Cramer's V（卡方检验）
# 计算Cohen's d def cohen_d(x,y): nx, ny = len(x), len(y) dof = nx + ny - 2 return (np.mean(x) - np.mean(y)) / np.sqrt(((nx-1)*np.std(x)**2 + (ny-1)*np.std(y)**2) / dof)我在实际项目中发现，很多分析师只关注p值是否小于0.05，却忽略了效应量大小。一个统计显著但效应量很小的结果，在实际应用中可能毫无意义。建议在报告中同时呈现p值和效应量指标，并给出专业解释。