目录
是一个Python库，用 于拟合多种统计模型，执行统计测试以及数据探索和可视化。
方法一：pip install statsmodels
方法二：conda install –c conda-forge statsmodels
通过比较不同数据之间的差值，以观察数据之间有没有显著差异。适用于小样本（30个以下）、总体方差未知的情况。
（1）总体分布服从正态或近似服从正态分布。
（2）检验定量数据，即数据大小是有意义的，对于分类数据的检验请移步卡方检验。
# 区别：样本标准差和总体标准差
# 样1本标准差=(x-均值)/(n-1)
# 总体标准差=(x-均值)/n# 用scipy计算出的是：双尾检验
# 单（1samp）样本t检验（ttest_1samp）
# 相关（related）样本t检验（ttest_rel）
# 双独立（independent）样本t检验（ttest_ind）
# 当不确定两总体方差是否相等时，应先利用levene检验，检验两总体是否具有方差齐性。
# stats.levene(data1,data2)
# 如果返回结果的p值远大于0.05，那么我们认为两总体具有方差齐性。
# 如果两总体不具有方差齐性，需要加上参数equal_val并设定为False。如下。
# stats.ttest_ind(data1,data2,equal_var=False)# 判断标准（显著水平）alpha=5%,1%,10%
# 左尾判断条件：t < 0 and p_one < 判断标准（显著水平）alpha
# 右尾判断条件：t > 0 and p_one < 判断标准（显著水平）alpha
# p值：假定原假设成立的前提下，得到样本平均值的概率是多少。p值越小，则拒绝原假设# 效应量：在判断某个调查研究的结果，是否有意义或者重要时，要考虑的另一项指标是效应量。
# 效应量太小，意味着处理即使达到了显著水平，也缺乏实用价值。
# .20 小的效应，.50中等效应，.80高的效应（d绝对值）
假定我们得到了k个测试错误率，
， 则平均测试错误率
