基础

总和、平均数、中位数、最大值、最小值、众数
极差(range)、标准差(standard deviation，缩写s或SD)、方差(variance 标准差的平方)

相关系数

pearson相关系数
是研究变量之间线性相关程度的量
scipy.stats.stats.pearsonr(x,y)[0]

spearman相关系数
from scipy import stats
stats.spearmanr([1,2,3,4,5], [5,6,7,8,7])

各种检验

t检验

主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布。

ks检验

检验数据是否符合某种分布

卡方检验

卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度
卡方检验：
stats.chisquare(观测值序列, 理论值序列)
卡方值越大，越不符合；卡方值越小，偏差越小，越趋于符合
例：

from scipy import stats
observation_value = [10,13,8,9,10,11]
real_value = [10,10,10,10,10,10]
stats.chisquare(observation_value, f_exp = real_value)

**结果**：(statistic=1.5000000000000002, pvalue=0.9130698145443954)

一般p值要求大于0.95

显著性检验

方差分析（ANOVA）又称“变异数分析”或“F检验”

用于两个及两个以上样本均数差别的显著性检验

同分布检验
正态性检验

各种分布

二项分布

服从二项分布的随机变量X表示在n个独立的是/非试验中成功的次数，其中每次试验的成功概率为p。

scipy.stats.binom
numpy.random.RandomState.binomial

np.random.binomial(n, p, size=20)

size为总次数

n p为公式中的n p

泊松分布

举例：平均每天发生2起，10天发生的次数
rate=2
n = np.arange(0,10)
stats.poisson.pmf(n,rate)
返回的是发生0,1,2...10次的概率

正态分布

生成一个均值为0.5，标准差为5的正态分布，随机选200个点

norm_dist = stats.norm(loc=0.5, scale=5)
data = norm_dist.rvs(size=200)

t检验

注意，这里生成的第二组数据样本大小、方差和第一组均不相等，在运用t检验时需要使用 Welch‘s t-test,即指定ttest_ind中的equal_var=False。