python z检验

Z检验是一种统计学方法，用于确定数据样本的均值是否显著地不同于总体的平均值。它基于正态分布（或近似正态分布）的假设，通过计算样本均值与总体平均值之间的差异（称为样本均值减去总体均值的差），然后除以该差的标准化误差（样本标准差除以样本量的平方根），得出一个z分数。如果这个分数的绝对值很大，那么我们有理由认为样本均值与总体均值之间存在显著差异。

Python中有许多库可以进行Z检验，如scipy.stats模块中的ttest_1samp()函数。例如：

from scipy import stats

# 假设我们有一个样本数据
sample_data = [10, 15, 20, 25, 30]

# 计算样本均值、样本标准差和样本大小
sample_mean = sum(sample_data) / len(sample_data)
sample_std_dev = sample_data.std()
n = len(sample_data)

# 使用zscore函数进行单样本z检验
z_score, p_value = stats.zscore(sample_mean, popmean=总体均值, sigma=样本标准差)

print("Z得分:", z_score)
print("p值:", p_value)

在这里，`总体均值`通常需要先估计，如果没有，则默认为0；`sigma`是总体标准差的估计值，默认使用样本标准差。如果p值小于预先设定的显著性水平（如0.05），则拒绝原假设，认为样本均值与总体均值有显著差异。