Menu ▾ ▴

stats test

BHM-Bob G

API文档

generated by chatGPT

模块：mbapy.stats.analysis

该模块提供了一些统计分析的函数，用于进行假设检验和多重比较。

函数：get_interval

def get_interval(mean = None, se = None, data:Optional[Union[np.ndarray, list[int], pd.Series]] = None, confidence:float = 0.95)

功能

计算置信区间。

参数

  • mean: float, 可选。均值。
  • se: float, 可选。标准误差。
  • data: np.ndarray, list[int], pd.Series, 可选。数据。
  • confidence: float, 可选。置信水平，默认为0.95。

返回值

  • interval: tuple[float, float]。置信区间。
  • kwargs: dict。参数字典。

函数：ttest_1samp

def ttest_1samp(x1 = None, x2:float = None, factors:dict[str, list[str]] = None, tag:str = None, df:pd.DataFrame = None, **kwargs)

功能

单样本T检验。

参数

  • x1: np.ndarray, list[int], pd.Series, 可选。样本数据。
  • x2: float, 可选。样本均值。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tag: str, 可选。数据列名。
  • df: pd.DataFrame, 可选。数据源。
  • kwargs: dict。其他参数。

返回值

函数：ttest_ind

def ttest_ind(x1 = None, x2 = None, factors:dict[str, list[str]] = None, tag:str = None, df:pd.DataFrame = None, **kwargs)

功能

独立样本t检验。

参数

  • x1: np.ndarray, list[int], pd.Series, 可选。样本1数据。
  • x2: np.ndarray, list[int], pd.Series, 可选。样本2数据。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tag: str, 可选。数据列名。
  • df: pd.DataFrame, 可选。数据源。
  • kwargs: dict。其他参数。

返回值

  • levene_pvalue: float。Levene检验的p值。
  • ttest_result: tuple[float, float]。T检验结果。

函数：ttest_rel

def ttest_rel(x1 = None, x2 = None, factors:dict[str, list[str]] = None, tag:str = None, df:pd.DataFrame = None, **kwargs)

功能

配对样本T检验。

参数

  • x1: np.ndarray, list[int], pd.Series, 可选。样本1数据。
  • x2: np.ndarray, list[int], pd.Series, 可选。样本2数据。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tag: str, 可选。数据列名。
  • df: pd.DataFrame, 可选。数据源。
  • kwargs: dict。其他参数。

返回值

函数：mannwhitneyu

def mannwhitneyu(x1 = None, x2 = None, factors:dict[str, list[str]] = None, tag:str = None, df:pd.DataFrame = None, **kwargs)

功能

Mann-Whitney U检验。

参数

  • x1: np.ndarray, list[int], pd.Series, 可选。样本1数据。
  • x2: np.ndarray, list[int], pd.Series, 可选。样本2数据。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tag: str, 可选。数据列名。
  • df: pd.DataFrame, 可选。数据源。
  • kwargs: dict。其他参数。

返回值

函数：shapiro

def shapiro(x1 = None, factors:dict[str, list[str]] = None, tag:str = None, df:pd.DataFrame = None, **kwargs)

功能

Shapiro正态检验。

参数

  • x1: np.ndarray, list[int], pd.Series, 可选。样本数据。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tag: str, 可选。数据列名。
  • df: pd.DataFrame, 可选。数据源。
  • kwargs: dict。其他参数。

返回值

函数：pearsonr

def pearsonr(x1 = None, x2 = None, factors:dict[str, list[str]] = None, tags:list[str] = None, df:pd.DataFrame = None, **kwargs)

功能

Pearson相关系数。

参数

  • x1: np.ndarray, list[int], pd.Series, 可选。样本1数据。
  • x2: np.ndarray, list[int], pd.Series, 可选。样本2数据。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tags: list[str], 可选。数据列名列表。
  • df: pd.DataFrame, 可选。数据源。
  • kwargs: dict。其他参数。

返回值

函数：chi2_contingency

def chi2_contingency(observed = None, factors:dict[str, list[str]] = None, tag:str = None, df:pd.DataFrame = None, **kwargs)

功能

卡方检验。

参数

  • observed: np.ndarray, 可选。观察频数矩阵。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tag: str, 可选。数据列名。
  • df: pd.DataFrame, 可选。数据源。
  • kwargs: dict。其他参数。

返回值

函数：fisher_exact

def fisher_exact(observed = None, factors:dict[str, list[str]] = None, tag:str = None, df:pd.DataFrame = None, **kwargs)

功能

Fisher确切概率法。

参数

  • observed: np.ndarray, 可选。观察频数矩阵。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tag: str, 可选。数据列名。
  • df: pd.DataFrame, 可选。数据源。
  • kwargs: dict。其他参数。

返回值

  • result: tuple[float, float]。Fisher确切概率法结果。
  • observed: np.ndarray。观察频数矩阵。

函数：f_oneway

def f_oneway(Xs:list = None, factors:dict[str, list[str]] = None, tag:str = None, df:pd.DataFrame = None)

功能

方差分析检验。

参数

  • Xs: list[np.ndarray, list[int], pd.Series], 可选。样本数据列表。
  • factors: dict[str, list[str]], 可选。数据筛选因子。
  • tag: str, 可选。数据列名。
  • df: pd.DataFrame, 可选。数据源。

返回值

函数：multicomp_turkeyHSD

def multicomp_turkeyHSD(factors:dict[str, list[str]], tag:str, df:pd.DataFrame, alpha:float = 0.05)

功能

使用Tukey's HSD方法进行多重比较。

参数

  • factors: dict[str, list[str]]。数据筛选因子。
  • tag: str。数据列名。
  • df: pd.DataFrame。数据源。
  • alpha: float, 可选。显著性水平，默认为0.05。

返回值

  • result: statsmodels.stats.multicomp.pairwise_tukeyhsd。Tukey's HSD检验结果。

函数：turkey_to_table

def turkey_to_table(turkey_result)

功能

将Tukey's HSD检验结果转换为表格。

参数

  • turkey_result: statsmodels.stats.multicomp.pairwise_tukeyhsd。Tukey's HSD检验结果。

返回值

  • table: pd.DataFrame。包含以下列的DataFrame：
  • 'Group 1': 第一组进行比较的组。
  • 'Group 2': 第二组进行比较的组。
  • 'Mean Difference': 两组之间的均值差异。
  • 'p-value': 均值差异的p值。
  • 'Stars': 表示均值差异显著性水平的星号数量。
  • 'Reject': 表示均值差异是否拒绝原假设的布尔值。

函数：multicomp_dunnett

def multicomp_dunnett(factor:str, exp:list[str], control:str, df:pd.DataFrame, **kwargs)

功能

使用Dunnett方法进行多重比较。

参数

  • factor: str。数据列名。
  • exp: list[str]。实验组的子因子。
  • control: str。对照组的子因子。
  • df: pd.DataFrame。数据源。
  • kwargs: dict。其他参数。

返回值

  • result: scipy.stats.dunnett。Dunnett检验结果。

函数：multicomp_bonferroni

def multicomp_bonferroni(factors:dict[str, list[str]], tag:str, df:pd.DataFrame, alpha:float = 0.05)

功能

使用Bonferroni方法进行多重比较。

参数

  • factors: dict[str, list[str]]。数据筛选因子。
  • tag: str。数据列名。
  • df: pd.DataFrame。数据源。
  • alpha: float, 可选。显著性水平，默认为0.05。

返回值

  • result: pd.DataFrame。Bonferroni方法的多重比较结果。

Related

Wiki: stats