Scipy T-Test

Dieser Artikel gehört zum Scipy T-Test in der Python-Sprache. Python ist eine sensitive Programmiersprache. Es ist sehr einfach zu bedienen und hilft den Entwicklern, in der Informationstechnologie zu wachsen. Scipy ist eine vollwertige Pythonbibliothek, die zur Optimierung, Bildverarbeitung, Interpolation usw. verwendet wird. Scipy ist eine Bibliothek von Python und wird weiter in Unterpakete eingeteilt. Dazu gehören Scipy. optimieren, scipy.io, scipy. Signal, Scipy. Statistiken und viele andere. Die T-Test-Scipy-Funktion gehört zur statistischen Hypotheseberechnung zum Vergleich der Mittelwerte von zwei Gruppen. Im kommenden Abschnitt werden wir über die T-Tests im Detail diskutieren, um den neuen Lernenden zu zeigen, wie die T-Tests in Python durchgeführt werden können.

Was ist der Python Scipy T-Test?

Scipy ist eine dünne Python -Bibliothek, die wissenschaftliche Berechnung durchführt. Die Scipy -Bibliothek basiert auf der Numpy -Bibliothek. Der Scipy-T-Test ist eine Funktion, mit der die T-Tests an gegebenen Proben in Python-Programmen berechnet werden können. Der T-Test ist eine statistische Methode, mit der die Mittelwerte von zwei Gruppen unterschieden werden. Mit Hilfe der Skipy-T-Test-Funktion interpretieren wir den statistischen Wert in einem zweiseitigen Test.

Wenn Themen im Zusammenhang mit Statistiken auftauchen, kommt das Scipy -Paket „Statistiken“ der Entwickler in den Sinn. Scipy.Statistiken ist ein Scipy -Bibliothekspaket, das verschiedene Funktionen enthält, um die statistischen Berechnungen in Python auszuführen. In Python die Skipei.Statistiken.test () führt drei Arten von T-Tests aus: test_ind (), tTest_rel () und test_1samp (). Der tTest_ind () ist ein ungepaarter T-Test, mit dem zwei unabhängige Datensätze verglichen werden. Während test-rel () ein gepaarter T-Test ist, mit dem die abhängigen Datensätze verglichen werden. Und der tTest_1samp () wird verwendet, um den Mittelwert einer Gruppe mit einem einzigartigen Wert zu vergleichen.

In der nächsten Sitzung werden wir die drei verschiedenen T-Tests besprechen, die mit Hilfe einfacher und interessanter Beispiele auf Proben durchgeführt werden, die Ihnen helfen, das Scipy-T-Test-Thema in Python zu verstehen.

Syntax des Scipy T-Tests

Es gibt drei Arten von Scipy-T-Test-Funktionen, die in Python für die statistische Berechnung ausgeführt werden: test_ind (), test_rel () und test_1samp (). Wir werden die Syntax dieser drei Funktionen der Skipie erklären.Statistikpaket.

Die jeweilige Syntax von Funktionen ist im Folgenden erwähnt:

Dies ist die Syntax der Methode TTest_ind ():

Dies ist die Syntax der Methode TTest_1samp ():

Dies ist die Syntax der Methode TTest_Rel ():

Parameter: Die A- und B -Variablen befinden sich in Form eines Arrays, die Achse muss ein int oder optional sein, der Equal_var -Wert befindet sich ebenfalls in bool oder optional, und andere Parameter werden als optional angesehen. Optional bedeutet, dass es an uns liegt, ob wir es als Parameter betrachten oder nicht.

Lassen Sie uns zu einer Beispielsitzung gehen, um zu verstehen, wie diese drei T-Test-Funktionen in der Python-Sprache verwendet werden können.

Beispiel 1:

Schauen wir uns das erste T-Test-Beispiel an, das sowohl einfach als auch interessant ist. Um einen T-Test zu finden, müssen wir Proben haben. Der Referenzcode wird im Folgenden für Ihren Komfort erwähnt. Untersuchen Sie also den Code gründlich. Schauen Sie sich den folgenden Beispielcode an:

aus Scipy -Importstatistiken
von Scipy.Statistiken importieren test_ind
Numph als NP importieren
arr1 = np.Array ([10,20,30,40,50,60])
arr2 = np.Array ([2,4,6,8,10,12])
res = ttest_ind (arr1, arr2)
Druck (res)

In diesem Beispiel importieren wir das Statistikmodul oder das Paket aus der Scipy -Bibliothek zusammen mit der Funktion TTest_ind aus Scipy. Statistikmodule. Die Numpy -Bibliothek wird als NP importiert. Wir verwenden die beiden Arrays mit dem Namen "arr1" und "arr2" zur Initialisierung. Jetzt rufen wir die Funktion TTest_ind auf und bestehen diese beiden Arrays als Parameter in der Funktion. Wir nennen es dann in der Variablen "res". Zuletzt passieren wir die Variable „Res“ in der Druckanweisung für die Bildschirmausgabe. Nachdem wir dieses Programm in einer Python -Anwendung ausgeführt haben, erhalten wir die folgende Ausgabe:

Beispiel 2:

In diesem Beispiel übernehmen wir eine weitere Funktion der Skipie.Statistikpaket wie tTest_1samp (). Diese Funktion wird verwendet, um den Test für die Ermittlung des Mittelwerts gegen die gegebene Population durchzuführen. Der Referenzcode des Programms lautet wie folgt:

aus Scipy -Importstatistiken
von Scipy.Statistiken importieren tTest_1samp
Numph als NP importieren
cricket_scorces = [170, 185, 220, 235, 120, 121, 211, 176,134, 105,280, 260,290, 177,173, 111, 104, 108]
Ergebnis = Statistiken.test_1samp (Cricket_Scorces, 173)
Druck (Ergebnis)

Zu Beginn importieren wir das Statistikpaket aus der Scipy -Bibliothek und importieren die Funktion TTEST_1SAMP nebeneinander aus dem Statistikpaket. Wir importieren die Numpy -Bibliothek als NP für die Array -Berechnung. Danach initialisieren wir ein Array mit dem Namen "Cricket_Scores". Unterhalb der Zeile nennen wir die Statistiken. tTest_1samp () und übergeben das Array cricket_scores als Parameter und Mittelwert in dieser Funktion. Wir geben den Wert der Funktion der Ergebnisvariablen an. Zuletzt nennen wir die Ergebnisvariable in einer Druckanweisung. Nach dem Ausführen des Programms zeigen wir die folgende Ausgabe auf dem Bildschirm an:

Beispiel 3:

In diesem Beispiel werden wir kurz die dritte Funktion oder Stichprobe des T-Tests erklären, nämlich das test_rel (). Das Folgende ist der Referenzcode des Programms:

aus Scipy -Importstatistiken
von Scipy.Statistiken importieren test_rel
Numph als NP importieren
Höhe = [1.3, 2.0, 3.5, 4.3, 5.6, 6.2, 7.1, 8.5, 9.2, 10.2, 12.8, 13.5, 14.9, 15.4, 16.7, 17.1, 18.0, 19.8, 20.5]
Gewicht = [20.5, 40.1, 47.2, 55.5, 65.2, 66.1, 72.4, 75.9, 79.1, 81.5, 85.2, 88.7, 90.0, 91.4, 91.7, 93.8, 94.4, 95.0, 97.8]
Ausgabe = Statistiken.test_rel (Größe, Gewicht)
Druck (Ausgabe)

In diesem Programm importieren wir das Statistikmodul oder das Paket aus der Scipy -Bibliothek in der ersten Zeile. In der zweiten Zeile importieren wir die Funktion TTEST_REL aus Scipy.Statistikbibliothek. Danach importieren wir die Numpy -Bibliothek für numerische Berechnung oder Array -Handhabung als NP.

Wir nehmen zwei Arrays mit dem Namen "Größe" und "Gewicht" zum Vergleich und führen die Tests auf sie durch. Nachdem wir die Arrays erfolgreich initialisiert haben, nennen wir die T-Test-Statistiken.ttest.rel () Funktion mit den Parametern „Größe“ und „Gewicht“. Nachdem die Funktion ausgeführt wurde, geben wir den Wert zurück. Wir weisen diesen Wert der Variablen „Ausgabe“ zu. Schließlich übergeben wir diese "Ausgabe" -Variable an die Druckanweisung. Nach dem Ausführen des Programms in der Python -Anwendung wird die folgende Ausgabe auf dem Bildschirm angezeigt:

Abschluss

Wir können daraus schließen, dass die Funktion test () verwendet wird, um den Mittelwert zu finden und die Mittel zwischen den beiden Gruppen zu vergleichen. Scipy ist eine Bibliothek von Python und fungiert als Schatzkasten, die viele Pakete in der Box wie Optimize, Statistiken, IO, Signale usw. speichert. Diese Skipei.Das Statistikpaket wird verwendet, um die statistischen Berechnungen in Python durchzuführen. Scipy.Ttest bezieht sich auf verschiedene Arten von Funktionen in verschiedenen Situationen. Zur Berechnung werden drei Formen von Testproben verwendet, und wir haben diese drei Funktionen in den angegebenen Beispielen erklärt. Hoffentlich ist dieser Artikel mit praktischen Beispielen für Sie hilfreich. Wenn Sie dieses Thema in Ihrem Editor praktizieren möchten, können Sie die angegebenen Beispiele ändern und das Ergebnis sehen.