Python统计分析首选numpy与scipy组合：numpy处理描述性统计（如mean、std、median等）并注意NaN处理，scipy.stats提供t检验、相关性、分布拟合与检验等功能，配合可视化与效应量解读更可靠。
Python做统计分析，scipy 和 numpy 是最常用、最可靠的组合：numpy 负责基础数值计算和数据组织，scipy 提供专业统计函数和检验工具。用对了，几行代码就能完成t检验、相关性、分布拟合等任务。
用 numpy 快速算描述性统计
不需要额外导入，直接对数组调用方法即可：
-
均值、标准差、中位数：
arr.mean()、arr.std(ddof=1)（样本标准差要设ddof=1）、np.median(arr) -
分位数与极值：
np.quantile(arr, [0.25, 0.5, 0.75])得四分位数；arr.min()、arr.max() -
注意缺失值：用
np.nanmean()、np.nanstd()等跳过NaN，否则结果会是nan
用 scipy.stats 做假设检验
别硬记公式，调包前先明确问题类型：
-
单样本 t 检验（判断均值是否等于某值）：
from scipy.stats import ttest_1samp; ttest_1samp(data, popmean=5) -
两独立样本 t 检验（比较两组均值）：
ttest_ind(group_a, group_b, equal_var=False)（推荐设equal_var=False，更稳健） -
相关性检验：
pearsonr(x, y)返回相关系数和 p 值；spearmanr(x, y)适合非线性或含异常值的数据
用 scipy 拟合与检验分布
判断数据是否服从某种分布，分两步走：
立即学习“Python免费学习笔记（深入）”；
-
参数估计：比如正态分布用
scipy.stats.norm.fit(data)，返回(mu, sigma) -
分布检验：
kstest(data, 'norm', args=(mu, sigma))做 K-S 检验；小样本建议用shapiro(data)（Shapiro-Wilk 检验） -
可视化辅助：配合
scipy.stats.probplot(data, dist='norm', plot=plt)看 Q-Q 图，比 p 值更直观
实用小技巧
避开常见坑，提升分析效率：
-
数据预处理别跳步：用
numpy.isfinite()清洗inf和nan，再传给 scipy 函数 -
批量检验写成函数：比如对多列分别做 t 检验，用
pd.DataFrame.apply(lambda x: ttest_ind(x, baseline)) -
结果别只看 p 值：搭配效应量（如 Cohen’s d，可用
(np.mean(a)-np.mean(b))/np.sqrt((s1**2+s2**2)/2)手动算）一起解读
