所有统计函数都位于子包 scipy.stats 中，可以使用 info(stats)函数获得这些函数的相当完整的列表.还可以从stats子包的 docstring 获取可用随机变量列表.该模块包含大量的概率分布以及不断增长的统计函数库.
每个单变量分布都有自己的子类，如下表所示 :
| 锶.不. | Class&说明 |
|---|---|
| 1 | rv_continuous 用于子类化的通用连续随机变量类 |
| 2 | rv_discrete 一般的离散随机变量类用于子类化 |
| 3 | rv_histogram 生成直方图给出的分布 |
随机变量X可以取任何值的概率分布是连续随机变量. location(loc)关键字指定平均值. scale(scale)关键字指定标准差.
作为 rv_continuous 类的一个实例， norm 对象继承了它通用方法的集合，并使用特定于此特定分布的详细信息完成它们.
要在多个点计算CDF，我们可以传递列表或NumPy数组.让我们考虑以下示例.
from scipy.stats import norm import numpy as np print norm.cdf(np.array([1,-1., 0, 1, 3, 4, -2, 6]))
上述程序将生成以下输出.
array([0.84134475,0.15865525,0.5,0.84134475,0.996501， 0.99996833,0.02275013,1.])
要查找分布的中位数，我们可以使用百分点函数(PPF)，它是CDF的反函数.让我们通过使用以下示例来理解.
from scipy.stats import norm print norm.ppf(0.5)
上述程序将生成以下输出.
0.0
要生成一系列随机变量，我们应该使用size关键字参数，如下例所示.
from scipy.stats import norm print norm.rvs(size = 5)
上述程序将生成以下输出.
array([0.20929928，-1.91049255,0.41264672，-0.7135557，-0.03833048])
上述输出不可重复.要生成相同的随机数，请使用种子函数.
可以使用统一函数生成均匀分布.让我们考虑以下示例.
from scipy.stats import uniform print uniform.cdf([0,1,2， 3,4,5，loc = 1，scale = 4)
上述程序将生成以下输出.
array([0,0,0,0.25,0.75,1.])
让我们生成一个随机样本，并将观察到的频率与概率进行比较.
作为 rv_discrete类的一个实例， binom对象从它继承了一组泛型方法，并使用特定于此特定分布的详细信息完成它们.让我们考虑以下示例.
from scipy.stats import uniform print uniform.cdf([0,1,2， 3,4,5，loc = 1，scale = 4)
上述程序将生成以下输出.
array([0,0,0,0.25,0.75,1.])
Min，Max，Mean和Variance等基本统计数据将NumPy数组作为输入并返回相应的结果. scipy.stats包中提供的一些基本统计函数如下表所示.
| Sr.不. | 功能&说明 |
|---|---|
| 1 | describe() 计算传递数组的几个描述性统计信息 |
| 2 | gmean() 计算几何平均数沿着指定的轴 |
| 3 | hmean() 计算沿指定轴的调和平均值 |
| 4 | kurtosis() 计算峰度 |
| 5 | mode() 返回模态值 |
| 6 | skew() 测试数据的偏斜 |
| 7 | f_oneway() 执行单因素方差分析 |
| 8 | iqr() 计算沿指定轴的数据的四分位数范围 |
| 9 | zscore() 计算样本中每个值的z分数，相对于样本均值和标准差 |
| 10 | sem() 计算输入数组中值的平均值(或标准测量误差)的标准误差 |
其中一些函数在 scipy.stats.mstats 中有类似的版本，它们适用于屏蔽数组.让我们通过下面的例子来理解这一点.
from scipy import stats import numpy as np x = np.array([1,2,3,4,5,6,7,8,9]) print x.max(),x.min(),x.mean(),x.var()
上述程序将生成以下输出.
(9 ，1,5,5,66666666666666667)
让我们了解T-test在SciPy中的用途.
计算一组分数均值的T检验.这是零假设的双侧检验，即独立观察样本'a'的预期值(平均值)等于给定的总体平均值， popmean .让我们考虑以下示例.
from scipy import stats rvs = stats.norm.rvs(loc = 5, scale = 10, size = (50,2)) print stats.ttest_1samp(rvs,5.0)
上述程序将生成以下输出.
Ttest_1sampResult(statistic = array([ - 1.40184894,2.70158009])， pvalue = array([0.16726344，0.00945234]))
在以下示例中，有两个样本，可以来自相同或者来自不同的分布，我们想测试这些样本是否具有相同的统计特性.
ttest_ind : 计算两个独立分数样本均值的T检验.这是零假设的双侧检验，即两个独立样本具有相同的平均(预期)值.该测试假设群体默认具有相同的方差.
如果我们观察来自相同或不同群体的两个独立样本，我们可以使用该测试.让我们考虑以下示例.
from scipy import stats rvs1 = stats.norm.rvs(loc = 5,scale = 10,size = 500) rvs2 = stats.norm.rvs(loc = 5,scale = 10,size = 500) print stats.ttest_ind(rvs1,rvs2)
上述程序将生成以下输出.
Ttest_indResult(statistic = -0.67406312233650278，pvalue = 0.50042727502272966)
您可以使用相同长度的新数组测试相同的数字，但具有不同的均值.在 loc 中使用不同的值并对其进行测试.
