卡方检验及其在Python中的应用

### 使用 `scipy.stats` 进行方差分析和卡方检验 #### 卡方检验 对于卡方检验，当处理的是分类数据时，可以利用 `chi2_contingency()` 函数来执行这一操作。此函数接受一个二维数组作为输入，该数组代表了不同类别的观测频数分布情况。下面是一个简单的例子展示如何应用这个函数来进行独立性测试： ```python import numpy as np from scipy.stats import chi2_contingency # 创建一个观察到的频率表格 [[a,b],[c,d]] observed_frequencies = np.array([[40, 10], [10, 40]]) # 执行卡方检验 chi2_statistic, p_value, dof, expected = chi2_contingency(observed_frequencies) print(f"Chi-square statistic: {chi2_statistic}") print(f"P-value: {p_value}") print(f"Degrees of freedom: {dof}") print("Expected frequencies:\n", expected) ``` 上述代码展示了如何构建一个基于给定类别组合下的实际发生次数矩阵，并调用 `chi2_contingency()` 来获得χ²统计量、P值以及自由度等信息[^3]。 #### 方差分析 (ANOVA) 为了完成单因素或多因素方差分析，在 `scipy.stats` 中提供了 `f_oneway()` 方法用于比较两个以上样本群体之间的均值差异是否存在显著区别。这里给出一段关于单因素方差分析的例子： ```python from scipy.stats import f_oneway group_1 = [89, 75, 92, 86, 79] group_2 = [81, 72, 85, 78, 74] group_3 = [95, 88, 91, 90, 92] F_statistic, p_value = f_oneway(group_1, group_2, group_3) if p_value < 0.05: print('存在至少一对组间有显著性的平均值差异') else: print('各组间的平均值无明显差异') print(f"F-statistic: {F_statistic}, P-value: {p_value}") ``` 这段程序通过定义三个不同的分组列表模拟实验条件下收集的数据集，之后运用 `f_oneway()` 计算得到 F 统计量及其对应的 P 值以判断这些群组之间是否有任何有意义的区别[^1]。