python卡方检验定类

Python中的卡方检验用于定类数据的假设检验。它可以比较两个或多个样本率（构成比）之间的差异或者检验分类变量之间的关联性。卡方检验的基本思想是比较观察频数和期望频数的吻合程度或拟合优度问题。

在Python中，可以使用scipy库中的stats模块中的chisquare函数来进行卡方检验。这个函数接受一个观察频数的数组和一个期望频数的数组作为输入，并返回卡方值和p-value。

下面是一个使用Python进行卡方检验的示例代码：

import numpy as np
from scipy import stats

# 构建数据
observed_df = pd.DataFrame({'点数': [1, 2, 3, 4, 5, 6], '出现次数': [85, 96, 102, 106, 97, 114]})
observed_df＊＊＊ = observed_df.values

# 期望频率
expected = np.array([100, 100, 100, 100, 100, 100])

# 计算卡方值和p-value
chi_v = np.sum(np.divide(np.square(observed - expected), expected))
p_value = 1 - stats.chi2.cdf(chi_v, len(observed) - 1)

print(chi_v, p_value)

以上代码中，我们先定义了观察频数和期望频数，然后使用chisquare函数计算了卡方值和p-value。最后打印出了计算结果。

卡方检验的无效假设是观察频数与期望频数没有差别，通过计算卡方值和p-value来对这个假设进行验证。如果p-value小于设定的显著性水平（通常为0.05），则拒绝无效假设，认为观察频数与期望频数存在差异。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [卡方检验及其python实现](https://blog.csdn.net/weixin_39868248/article/details/110268734)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *2* *3* [如何利用Python中的scipy做卡方检验？](https://blog.csdn.net/qq_41780234/article/details/128205021)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]