scipy.stats.ttest_1samp¶
- scipy.stats.ttest_1samp(a, popmean, axis=0, nan_policy='propagate', alternative='two-sided')[源代码]¶
计算一组分数平均值的T检验。
这是对零假设的检验，即独立观测样本的期望值(平均值) a 等于给定的总体平均值， popmean 。
- 参数
- aarray_like
样本观察。
- popmeanFLOAT或ARRAY_LIKE
零假设中的期望值。如果ARRAY_LIKE，则其形状必须与 a 不包括轴尺寸。
- axis整型或无型，可选
要沿其计算测试的轴；默认值为0。如果没有，则对整个阵列进行计算 a 。
- nan_policy{‘Propagate’，‘RAISE’，‘OMIT’}，可选
定义输入包含NaN时的处理方式。以下选项可用(默认值为‘Propagate’)：
‘Propagate’：返回NaN
“raise”：引发错误
‘omit’：执行计算时忽略NaN值
- alternative{‘双面’，‘少’，‘大’}，可选
定义了另一种假设。有以下选项可用(默认为‘双面’)：
‘双边’：样本潜在分布的平均值与给定总体平均值不同 (popmean )
‘Less’：样本基本分布的平均值小于给定的总体平均值 (popmean )
“大于”：样本基础分布的平均值大于给定总体平均值 (popmean )
1.6.0 新版功能.
- 退货
- statistic浮点或数组
t-统计量。
- pvalue浮点或数组
双面p值。
示例
>>> from scipy import stats >>> rng = np.random.default_rng() >>> rvs = stats.norm.rvs(loc=5, scale=10, size=(50, 2), random_state=rng)
检验随机样本的均值是否等于真均值，是否等于不同均值。我们在第二种情况下拒绝零假设，在第一种情况下不拒绝它。
>>> stats.ttest_1samp(rvs, 5.0) Ttest_1sampResult(statistic=array([-2.09794637, -1.75977004]), pvalue=array([0.04108952, 0.08468867])) >>> stats.ttest_1samp(rvs, 0.0) Ttest_1sampResult(statistic=array([1.64495065, 1.62095307]), pvalue=array([0.10638103, 0.11144602]))
使用轴和非标量维作为总体平均值的示例。
>>> result = stats.ttest_1samp(rvs, [5.0, 0.0]) >>> result.statistic array([-2.09794637, 1.62095307]) >>> result.pvalue array([0.04108952, 0.11144602])
>>> result = stats.ttest_1samp(rvs.T, [5.0, 0.0], axis=1) >>> result.statistic array([-2.09794637, 1.62095307]) >>> result.pvalue array([0.04108952, 0.11144602])
>>> result = stats.ttest_1samp(rvs, [[5.0], [0.0]]) >>> result.statistic array([[-2.09794637, -1.75977004], [ 1.64495065, 1.62095307]]) >>> result.pvalue array([[0.04108952, 0.08468867], [0.10638103, 0.11144602]])