卡方检验,也叫做chi-square检验,主要用于统计两个变量之间是否存在相关性。
在Python中,你可以使用SciPy库中的chisquare()函数进行卡方检验。以下是完整的攻略:
步骤1:导入所需的库
import numpy as np
from scipy.stats import chisquare
步骤2:准备样本数据
observed_data = np.array([10, 15, 20, 25, 30])
expected_data = np.array([15, 15, 15, 15, 15])
步骤3:进行卡方检验
chisq, p = chisquare(observed_data, f_exp=expected_data)
步骤4:打印检验结果
print(f”卡方值:{chisq:.2f}”)
print(f”p值:{p:.2f}”)
以上步骤中,我们首先导入所需的库,接着准备样本数据,然后使用chisquare()函数来进行卡方检验,最后打印结果。其中,observed_data是实际观察到的数据,expected_data是期望的数据。
下面我们使用一个更为复杂的示例来更加详细地说明卡方检验的过程:
步骤1:导入所需的库
import numpy as np
from scipy.stats import chisquare
步骤2:准备样本数据
observed_data = np.array([[10, 15, 20], [20, 30, 40]])
expected_data = np.array([[12, 15, 18], [18, 23, 28]])
步骤3:进行卡方检验
chisq, p, dof, expected = chisquare(observed_data, f_exp=expected_data, axis=None)
步骤4:打印检验结果
print(f”卡方值:{chisq:.2f}”)
print(f”p值:{p:.2f}”)
以上步骤中,我们使用2×3的矩阵来表示观测到的数据和期望的数据。在进行卡方检验时,我们还需要指定轴axis=None,这表示我们使用整个矩阵进行检验。最后,我们使用chisq, p, dof, expected来接收检验结果,其中dof表示自由度,expected表示期望值矩阵。
通过以上两个示例,我们可以清楚地了解到卡方检验在Python中的使用方法以及参数含义,希望对你有所帮助。