能不能用Python对两组数据进行正态性检验

当然可以！在Python中，你可以使用SciPy库中的stats模块来进行正态性检验。具体而言，你可以使用shapiro函数来进行Shapiro-Wilk正态性检验，或者使用normaltest函数来进行D'Agostino-Pearson正态性检验。
下面是一个示例代码，展示如何使用SciPy库进行正态性检验：

from scipy import stats

# 示例数据
data1 = [1, 2, 3, 4, 5]
data2 = [0.5, 1.5, 2.5, 3.5, 4.5]

# Shapiro-Wilk 正态性检验
statistic, p_value = stats.shapiro(data1)
print("Data 1 - Shapiro-Wilk test:")
print("Statistic:", statistic)
print("p-value:", p_value)

statistic, p_value = stats.shapiro(data2)
print("Data 2 - Shapiro-Wilk test:")
print("Statistic:", statistic)
print("p-value:", p_value)

# D'Agostino-Pearson 正态性检验
statistic, p_value = stats.normaltest(data1)
print("Data 1 - D'Agostino-Pearson test:")
print("Statistic:", statistic)
print("p-value:", p_value)

statistic, p_value = stats.normaltest(data2)
print("Data 2 - D'Agostino-Pearson test:")
print("Statistic:", statistic)
print("p-value:", p_value)

运行以上代码，你将会得到两组数据的正态性检验结果。在这个示例中，data1和data2是两组示例数据，你可以根据自己的需要替换它们。

值得注意的是，正态性检验是一种统计方法，用于检验数据是否符合正态分布的假设。然而，正态性检验并不一定能够准确判断数据是否真正符合正态分布，而只是提供了一个参考。因此，在进行正态性检验之前，你应该先对你的数据和研究领域进行充分的了解和分析。