Python统计分析函数使用案例_scipy与numpy实战【技巧】

Python统计分析首选numpy与scipy组合：numpy高效计算均值、标准差、分位数、相关系数；scipy.stats提供t检验、卡方检验、Shapiro-Wilk正态性检验等成熟统计方法。

Python中做统计分析，scipy和numpy是最常用、最可靠的组合。numpy负责高效数值计算与数据组织，scipy则提供成熟的统计模型、检验方法和分布工具。掌握它们的典型用法，能快速完成从数据清洗到假设检验、参数估计的全流程分析。

用numpy快速计算基础统计量

面对一维数组或二维表格数据，无需循环，直接调用numpy内置方法即可获得均值、标准差、分位数等关键指标：

• np.mean(a)、np.std(a, ddof=1)（样本标准差，ddof=1启用贝塞尔校正）
• np.quantile(a, [0.25, 0.5, 0.75])一次性获取四分位数
• np.corrcoef(x, y)[0, 1]计算两变量皮尔逊相关系数（返回的是相关矩阵，取[0,1]位置）

用scipy.stats做常见统计检验

实际分析中常需判断差异是否显著。scipy.stats模块封装了大量检验函数，接口统一、结果清晰：

• 独立样本t检验：scipy.stats.ttest_ind(group_a, group_b)，自动处理方差齐性（默认不假设方差相等）
• 配对样本t检验：scipy.stats.ttest_rel(before, after)
• 卡方检验（频数表）：scipy.stats.chi2_contingency(observed_table)，返回卡方值、p值、自由度和期望频数
• Shapiro-Wilk正态性检验：scipy.stats.shapiro(data)，适合小样本（n

用scipy.stats生成/拟合概率分布

模拟数据或检验分布假设时，scipy.stats的rv_continuous类非常实用：

标签： python 工具 pdf 数据清洗