scipy.stats.f_oneway返回nan或报错主因是输入含空数组、全相同值、缺失值、单样本或非1d数组；需预处理剔除nan、确保每组≥2个不同值、转为1d数值数组。
scipy.stats.f_oneway 为什么返回 nan 或报错
直接用 f_oneway 却得到 nan，大概率是输入了空数组、全相同值的组，或含 None/np.nan 的数组。它不自动跳过缺失值，也不处理单样本（每组至少得有 2 个观测值才能算方差）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
np.isnan()或pandas.isna()检查各组是否有缺失值，手动剔除或插补（别让它进f_oneway） - 每组长度必须 ≥ 2，且不能全为同一数值（比如
[5, 5, 5]），否则组内方差为 0，F 统计量分母为 0，结果为inf或nan - 输入必须是 1D 数组，别传入二维
ndarray或嵌套列表——f_oneway([1,2,3], [4,5,6])对，f_oneway([[1,2,3]], [[4,5,6]])错
怎么把 pandas DataFrame 的多列喂给 f_oneway
常见场景：你有 3 列数据 group_a、group_b、group_c，想一次性比均值差异。但 f_oneway 不接受 DataFrame 或字典，只认一维序列。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
df['group_a'].dropna().values提取并清理，确保是numpy.ndarray或list - 多列拼成参数列表：
f_oneway(*[df[col].dropna().values for col in ['group_a', 'group_b', 'group_c']]) - 如果列名存在缺失或类型混杂（比如某列是字符串），
.values可能转出object类型数组，导致f_oneway报TypeError；务必提前用pd.to_numeric(..., errors='coerce')转换
f_oneway 和 statsmodels 的 anova_lm 结果不一样？
两者不是“对错”问题，而是模型假设不同：f_oneway 是经典单因素 ANOVA（均衡设计、等方差、独立样本），而 statsmodels.anova_lm 默认走的是线性模型框架，支持不平衡设计和更灵活的误差结构，但需要你显式构造 OLS 模型。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 如果你的数据是标准三组/四组、每组样本量接近、没缺失，
f_oneway更轻量、语义清晰，结果也更贴近教科书定义 - 若组间样本量差异大（比如 12 vs 35 vs 8），或你想同时控制协变量（如年龄、性别），就该换
statsmodels，而不是硬塞进f_oneway -
f_oneway返回的是F-statistic和p-value两个数；anova_lm返回表格，其中PR(>F)才对应它的 p 值，别误读F列
显著性出来了，但实际差异很小，要不要看效应量
ANOVA 显著 ≠ 差异大。样本量一大，微小差异也能显著。不看效应量（比如 η² 或 ω²），光盯 p 值容易误判。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
f_oneway不提供效应量，得自己算：η² =ss_between / ss_total，可用scipy.stats._oneway源码逻辑反推，或改用pingouin.anova（它直接返回np2字段） - ω² 更稳健，尤其当组数多或样本不均衡时，推荐用
pingouin或手算公式：ω² = (SSbetween − (k−1) × MSerror) / (SStotal + MSerror) - Python 生态里没有开箱即用的“ANOVA + 效应量 + 事后检验”一站式函数，
f_oneway只管最前面那步，后面得接别的工具，这点常被忽略
