假设检验适用于（数据样本较小时）
方差检验适用于（数据样本较大时）
import numpy as np
import scipy.stats as ss
#生成一20个数的标准正态分布
norm_dist = ss.norm.rvs(size=20)
#检测norm_dist是否是正态分布，使用的方法是基于峰度和偏度的
print(ss.normaltest(norm_dist))
#结果：NormaltestResult(statistic=0.2025598777545946, pvalue=0.9036800223028876)
#第一个是统计值，第二个值是p值
（1）P分布检验常用于比较两种样本是否一致（例如：临床医疗上药物是否有效）；
（2）独立分布t检验用于检测两组值的均值是都有比较大的差异性
print(ss.ttest_ind(ss.norm.rvs(size=10),ss.norm.rvs(size=20)))
#结果：Ttest_indResult(statistic=-0.575484958550556, pvalue=0.5695598474341583)
由于p值大于0.05（假定），可以接受该假设
（3）卡方检验常常用于确定两因素件是否有比较强的联系
import scipy.stats as ss
print(ss.chi2_contingency([[15,95],[85,5]]))
#结果：(126.08080808080808, 2.9521414005078985e-29, 1, array([[55., 55.],[45., 45.]]))
#第一个值为卡方值，第二个值为P值，第三个值为自由度，第四个为与原数据数组同维度的对应理论值
由于p值小于0.05（假定），拒绝该假设
（4）F检验常用于方差分析
检测统计量F，做假设检验【F满足自由度（m-1，n-m）的F分布】
SST：总变差平方和
SSM：平均平方和（组间平方和）
SSE：残差平方和（组内平方和）
print(ss.f_oneway([49,50,39,40,43],[28,32,30,26,34,],[38,40,45,42,48]))
#结果：F_onewayResult(statistic=17.619417475728156, pvalue=0.0002687153079821641)
（5）使用qq图来对比一个分布是否属于一个已知的分布
方法：看散点图的是否在x，y轴的角平分线上
from statsmodels.graphics.api import qqplot import matplotlib.pyplot as plt qqplot(ss.norm.rvs(size=100)) plt.show()
原文：https://www.cnblogs.com/Cheryol/p/11421346.html