ttest_ind报“input must be 1-d”错因是输入非严格一维数组，需用.dropna().values.ravel()确保shape为(n,)，并验证两组长度及nan处理。
为什么 ttest_ind 报错 “Input must be 1-D”？
因为 ttest_ind 默认只接受一维数组，但很多人直接传入 DataFrame 的列（比如 df['group_a']）或二维切片（如 df[df.group=='A'].values），结果仍是二维 shape (n, 1)。Pandas Series 表面像一维，内部 dtype 或索引残留可能触发校验失败。
- 用
.values.ravel()或.to_numpy().flatten()强制转纯一维数组 - 避免用
df[col].values—— 改用df[col].dropna().values先清空缺失值，再压平 - 检查 shape：
print(a.shape)，不是 (100,) 就得处理
如何正确分组并传入 ttest_ind？
真实场景里数据是混在一起的，不是现成两个独立数组。硬拆成两个 list 再转 array 很容易漏掉 NaN 对齐逻辑，导致样本量不一致或隐含偏差。
- 先用布尔索引提取：
group1 = df[df['condition']=='treatment']['score'].dropna().values - 务必对两组都调用
.dropna()，否则 NaN 会污染ttest_ind计算（它不自动跳过） - 别用
df.groupby(...).get_group(...)后直接取.values—— 它可能保留原始索引，造成 shape 不一致 - 验证两组长度：
len(group1), len(group2)，若差太多，要查是否分组条件写错（比如字符串空格、大小写）
equal_var=True 还是 False？Levene 检验真有必要吗？
默认 equal_var=True 调用标准 Student’s t 检验，但它要求方差齐性。现实中两组方差经常不等，强行设 True 会让 p 值失真，尤其样本量不同时更敏感。
- 小样本（
n 每组）建议无条件设 <code>equal_var=False，走 Welch’s t 检验 —— 它对方差不等更鲁棒 - 如果坚持检验方差齐性，用
scipy.stats.levene(group1, group2)，但注意：Levene 本身也有统计功效限制，p > 0.05 不等于“方差相等”，只是没证据拒绝 -
ttest_ind(..., equal_var=False)计算稍慢，但现代机器上可忽略；兼容性没问题，所有 SciPy ≥ 1.0 都支持
输出里的 statistic 和 pvalue 怎么看才不翻车？
ttest_ind 返回的是 statistic（t 值）和 pvalue（双侧 p 值），但业务问题常常是单侧：“A 组均值是否显著高于 B 组？” 直接拿双侧 p 值下结论会出错。
立即学习“Python免费学习笔记（深入）”；
- 双侧 p 值
pvalue对应原假设 H₀: μ₁ = μ₂；若你关心“是否更高”，需手动转单侧：p_one_sided = pvalue / 2 if statistic > 0 else 1 - pvalue / 2 - t 值符号很重要：
statistic > 0表示第一组均值更大，别光盯 p 值忽略方向 - 如果 pvalue ≈ 0.06，别写“接近显著”——这是常见误读；要么补样本，要么承认当前数据不支持拒绝 H₀
实际跑起来最易卡住的，是分组后某组只剩 1 个有效值，或者两组全 NaN —— ttest_ind 会报 ZeroDivisionError 或 nan 输出，但错误信息不直白。动手前先 print(len(group1), len(group2)) 看一眼，比啥都管用。
