我们在做a/b试验评估的时候需要借助p_value,这篇文章记录如何利用python计算两组数据的显著性。
一、代码
# ttest.py# -*- coding: utf-8 -*-'''# created on 2020-05-20 20:36# ttest.py# @author: huiwenhua'''## import the packagesimport numpy as npfrom scipy import statsdef get_p_value(arra, arrb): a = np.array(arra) b = np.array(arrb) t, p = stats.ttest_ind(a,b) return pif __name__ == "__main__": get_p_value([1, 2, 3, 5, ], [6, 7, 8, 9, 10])
二、t检验：两样本t检验
两样本t检验是比较两个样本所代表的两个总体均值是否存在显著差异。除了要求样本来自正态分布，还要求两个样本的总体方差相等也就是“方差齐性”。
检验原假设：样本均值无差异(μ=μ0)
python命令stats.ttest_ind(data1,data2)
当不确定两总体方差是否相等时，应先利用levene检验检验两总体是否具有方差齐性stats.levene(data1,data2)如果返回结果的p值远大于0.05，那么我们认为两总体具有方差齐性。如果两总体不具有方差齐性，需要加上参数equal_val并设定为false，如下。
stats.ttest_ind(data1,data2,equal_var=false) // ttest中默认是具有方差齐性
三、结果解释
当p值小于某个显著性水平α(比如0.05)时，则认为样本均值存在显著差异，具体的分析要看所选择的是双边假设还是单边假设（又分小于和大于）注意stats.ttest_ind进行双侧检验。
当t值大于0，则有(（1-p）* 100)%的把握认为认为第一组数据好与第二组数据。例如p=0.05,那么我们有95%的把握认为第一组数据好于第二组数据。
相关学习推荐：python视频教程
以上就是基于python如何实现计算两组数据p值的详细内容。