统计函数 (`scipy.stats`)#

该模块包含大量的概率分布、汇总和频率统计、相关函数和统计检验、掩码统计、核密度估计、拟蒙特卡罗功能等。

统计学是一个非常广泛的领域，有一些主题超出了 SciPy 的范围，由其他软件包涵盖。其中一些最重要的主题是

statsmodels: 回归、线性模型、时间序列分析，扩展了 scipy.stats 也涵盖的主题。
Pandas: 表格数据、时间序列功能、与其他统计语言的接口。
PyMC: 贝叶斯统计建模、概率机器学习。
scikit-learn: 分类、回归、模型选择。
Seaborn: 统计数据可视化。
rpy2: Python 到 R 的桥梁。

概率分布#

每个单变量分布都是 rv_continuous (rv_discrete 用于离散分布) 的子类的实例。

`rv_continuous`([momtype, a, b, xtol, ...])	用于子类化的通用连续随机变量类。
`rv_discrete`([a, b, name, badvalue, ...])	用于子类化的通用离散随机变量类。
`rv_histogram`(histogram, *args[, density])	根据直方图生成分布。

连续分布#

`alpha`	一个 alpha 连续随机变量。
`anglit`	一个 anglit 连续随机变量。
`arcsine`	一个 arcsine 连续随机变量。
`argus`	Argus 分布
`beta`	一个 beta 连续随机变量。
`betaprime`	一个 beta prime 连续随机变量。
`bradford`	一个 Bradford 连续随机变量。
`burr`	一个 Burr (类型 III) 连续随机变量。
`burr12`	一个 Burr (类型 XII) 连续随机变量。
`cauchy`	一个 Cauchy 连续随机变量。
`chi`	一个 chi 连续随机变量。
`chi2`	一个卡方连续随机变量。
`cosine`	一个 cosine 连续随机变量。
`crystalball`	水晶球分布
`dgamma`	一个双伽马连续随机变量。
`dweibull`	一个双威布尔连续随机变量。
`erlang`	一个 Erlang 连续随机变量。
`expon`	一个指数连续随机变量。
`exponnorm`	一个指数修正的正态连续随机变量。
`exponweib`	一个指数威布尔连续随机变量。
`exponpow`	一个指数幂连续随机变量。
`f`	一个 F 连续随机变量。
`fatiguelife`	一个疲劳寿命 (Birnbaum-Saunders) 连续随机变量。
`fisk`	一个 Fisk 连续随机变量。
`foldcauchy`	一个折叠 Cauchy 连续随机变量。
`foldnorm`	一个折叠正态连续随机变量。
`genlogistic`	一个广义逻辑连续随机变量。
`gennorm`	一个广义正态连续随机变量。
`genpareto`	一个广义帕累托连续随机变量。
`genexpon`	一个广义指数连续随机变量。
`genextreme`	一个广义极值连续随机变量。
`gausshyper`	一个高斯超几何连续随机变量。
`gamma`	一个伽马连续随机变量。
`gengamma`	一个广义伽马连续随机变量。
`genhalflogistic`	一个广义半逻辑连续随机变量。
`genhyperbolic`	一个广义双曲连续随机变量。
`geninvgauss`	一个广义逆高斯连续随机变量。
`gibrat`	一个 Gibrat 连续随机变量。
`gompertz`	一个 Gompertz (或截断 Gumbel) 连续随机变量。
`gumbel_r`	一个右偏 Gumbel 连续随机变量。
`gumbel_l`	一个左偏 Gumbel 连续随机变量。
`halfcauchy`	一个半 Cauchy 连续随机变量。
`halflogistic`	一个半逻辑连续随机变量。
`halfnorm`	一个半正态连续随机变量。
`halfgennorm`	一个广义正态连续随机变量的上半部分。
`hypsecant`	一个双曲正割连续随机变量。
`invgamma`	一个逆伽马连续随机变量。
`invgauss`	一个逆高斯连续随机变量。
`invweibull`	一个逆威布尔连续随机变量。
`irwinhall`	一个 Irwin-Hall (均匀和) 连续随机变量。
`jf_skew_t`	Jones 和 Faddy 偏斜 t 分布。
`johnsonsb`	一个 Johnson SB 连续随机变量。
`johnsonsu`	一个 Johnson SU 连续随机变量。
`kappa4`	Kappa 4 参数分布。
`kappa3`	Kappa 3 参数分布。
`ksone`	Kolmogorov-Smirnov 单边检验统计量分布。
`kstwo`	Kolmogorov-Smirnov 双边检验统计量分布。
`kstwobign`	缩放 Kolmogorov-Smirnov 双边检验统计量的极限分布。
`laplace`	一个 Laplace 连续随机变量。
`laplace_asymmetric`	一个非对称 Laplace 连续随机变量。
`levy`	一个 Levy 连续随机变量。
`levy_l`	一个左偏 Levy 连续随机变量。
`levy_stable`	一个 Levy-stable 连续随机变量。
`logistic`	一个逻辑 (或 Sech-squared) 连续随机变量。
`loggamma`	一个对数伽马连续随机变量。
`loglaplace`	一个对数 Laplace 连续随机变量。
`lognorm`	一个对数正态连续随机变量。
`loguniform`	一个对数均匀或倒数连续随机变量。
`lomax`	一个 Lomax (第二类帕累托) 连续随机变量。
`maxwell`	一个 Maxwell 连续随机变量。
`mielke`	一个 Mielke Beta-Kappa / Dagum 连续随机变量。
`moyal`	一个 Moyal 连续随机变量。
`nakagami`	一个 Nakagami 连续随机变量。
`ncx2`	一个非中心卡方连续随机变量。
`ncf`	一个非中心 F 分布连续随机变量。
`nct`	一个非中心学生 t 连续随机变量。
`norm`	一个正态连续随机变量。
`norminvgauss`	一个正态逆高斯连续随机变量。
`pareto`	一个帕累托连续随机变量。
`pearson3`	一个 pearson 类型 III 连续随机变量。
`powerlaw`	一个幂函数连续随机变量。
`powerlognorm`	一个幂对数正态连续随机变量。
`powernorm`	一个幂正态连续随机变量。
`rdist`	一个 R 分布 (对称 beta) 连续随机变量。
`rayleigh`	一个瑞利连续随机变量。
`rel_breitwigner`	一个相对论 Breit-Wigner 随机变量。
`rice`	一个 Rice 连续随机变量。
`recipinvgauss`	一个倒数逆高斯连续随机变量。
`semicircular`	一个半圆形连续随机变量。
`skewcauchy`	一个偏斜 Cauchy 随机变量。
`skewnorm`	一个偏斜正态随机变量。
`studentized_range`	一个学生化极差连续随机变量。
`t`	一个学生 t 连续随机变量。
`trapezoid`	一个梯形连续随机变量。
`triang`	一个三角形连续随机变量。
`truncexpon`	一个截断指数连续随机变量。
`truncnorm`	一个截断正态连续随机变量。
`truncpareto`	一个上截断帕累托连续随机变量。
`truncweibull_min`	一个双截断威布尔最小连续随机变量。
`tukeylambda`	一个 Tukey-Lamdba 连续随机变量。
`uniform`	一个均匀连续随机变量。
`vonmises`	一个 Von Mises 连续随机变量。
`vonmises_line`	一个 Von Mises 连续随机变量。
`wald`	一个 Wald 连续随机变量。
`weibull_min`	威布尔最小连续随机变量。
`weibull_max`	威布尔最大连续随机变量。
`wrapcauchy`	一个包裹 Cauchy 连续随机变量。

单变量连续分布的 fit 方法使用最大似然估计将分布拟合到数据集。 fit 方法可以接受常规数据或删失数据。删失数据用 CensoredData 类的实例表示。

CensoredData([uncensored, left, right, interval])

此类的实例代表删失数据。

多变量分布#

`multivariate_normal`	一个多元正态随机变量。
`matrix_normal`	一个矩阵正态随机变量。
`dirichlet`	一个 Dirichlet 随机变量。
`dirichlet_multinomial`	一个 Dirichlet 多项式随机变量。
`wishart`	一个 Wishart 随机变量。
`invwishart`	一个逆 Wishart 随机变量。
`multinomial`	一个多项式随机变量。
`special_ortho_group`	一个特殊正交矩阵 (SO(N)) 随机变量。
`ortho_group`	一个正交矩阵 (O(N)) 随机变量。
`unitary_group`	一个矩阵值的 U(N) 随机变量。
`random_correlation`	随机相关矩阵。
`multivariate_t`	一个多元 t 分布随机变量。
`multivariate_hypergeom`	一个多元超几何随机变量。
`random_table`	来自具有固定边际和的独立样本的列联表。
`uniform_direction`	一个向量值的均匀方向。
`vonmises_fisher`	一个 von Mises-Fisher 变量。

scipy.stats.multivariate_normal 方法接受以下类的实例来表示协方差。

协方差()

协方差矩阵的表示

离散分布#

`bernoulli`	一个伯努利离散随机变量。
`betabinom`	一个 Beta-二项式离散随机变量。
`betanbinom`	一个 Beta-负二项式离散随机变量。
`binom`	一个二项式离散随机变量。
`boltzmann`	一个玻尔兹曼（截断离散指数）随机变量。
`dlaplace`	一个拉普拉斯离散随机变量。
`geom`	一个几何离散随机变量。
`hypergeom`	一个超几何离散随机变量。
`logser`	一个对数（对数级数，级数）离散随机变量。
`nbinom`	一个负二项式离散随机变量。
`nchypergeom_fisher`	一个费舍尔的非中心超几何离散随机变量。
`nchypergeom_wallenius`	一个瓦伦纽斯的非中心超几何离散随机变量。
`nhypergeom`	一个负超几何离散随机变量。
`planck`	一个普朗克离散指数随机变量。
`poisson`	一个泊松离散随机变量。
`randint`	一个均匀离散随机变量。
`skellam`	一个斯凯拉姆离散随机变量。
`yulesimon`	一个 Yule-Simon 离散随机变量。
`zipf`	一个齐夫（ζ）离散随机变量。
`zipfian`	一个齐夫离散随机变量。

下面概述了统计函数。这些函数中的许多在 scipy.stats.mstats 中具有类似版本，这些版本适用于掩码数组。

汇总统计#

`describe`(a[, axis, ddof, bias, nan_policy])	计算传递数组的几个描述性统计量。
`gmean`(a[, axis, dtype, weights, nan_policy, ...])	计算指定轴上的加权几何平均值。
`hmean`(a[, axis, dtype, weights, nan_policy, ...])	计算指定轴上的加权调和平均值。
`pmean`(a, p, *[, axis, dtype, weights, ...])	计算指定轴上的加权幂平均值。
`kurtosis`(a[, axis, fisher, bias, ...])	计算数据集的峰度（费舍尔或皮尔逊）。
`mode`(a[, axis, nan_policy, keepdims])	返回传递数组中众数（最常见）值的数组。
`moment`(a[, order, axis, nan_policy, center, ...])	计算样本相对于平均值的第 n 个矩。
`expectile`(a[, alpha, weights])	计算指定水平上的期望值。
`skew`(a[, axis, bias, nan_policy, keepdims])	计算数据集的样本偏度。
`kstat`(data[, n, axis, nan_policy, keepdims])	返回第 n 个 k 统计量（目前 `1<=n<=4`）。
`kstatvar`(data[, n, axis, nan_policy, keepdims])	返回 k 统计量方差的无偏估计。
`tmean`(a[, limits, inclusive, axis, ...])	计算修剪后的平均值。
`tvar`(a[, limits, inclusive, axis, ddof, ...])	计算修剪后的方差。
`tmin`(a[, lowerlimit, axis, inclusive, ...])	计算修剪后的最小值。
`tmax`(a[, upperlimit, axis, inclusive, ...])	计算修剪后的最大值。
`tstd`(a[, limits, inclusive, axis, ddof, ...])	计算修剪后的样本标准差。
`tsem`(a[, limits, inclusive, axis, ddof, ...])	计算修剪后的平均值标准误差。
`variation`(a[, axis, nan_policy, ddof, keepdims])	计算变异系数。
`find_repeats`(arr)	查找重复项和重复次数。
`rankdata`(a[, method, axis, nan_policy])	为数据分配秩，适当地处理平局。
`tiecorrect`(rankvals)	用于 Mann-Whitney U 和 Kruskal-Wallis H 检验的平局校正因子。
`trim_mean`(a, proportiontocut[, axis])	在修剪指定分数的极值后返回数组的平均值。
`gstd`(a[, axis, ddof])	计算数组的几何标准差。
`iqr`(x[, axis, rng, scale, nan_policy, ...])	计算指定轴上数据的四分位距。
`sem`(a[, axis, ddof, nan_policy, keepdims])	计算平均值的标准误差。
`bayes_mvs`(data[, alpha])	平均值、方差和标准差的贝叶斯置信区间。
`mvsdist`(data)	数据平均值、方差和标准差的“冻结”分布。
`entropy`(pk[, qk, base, axis, nan_policy, ...])	计算给定分布的香农熵/相对熵。
`differential_entropy`(values, *[, ...])	给定分布的样本，估计微分熵。
`median_abs_deviation`(x[, axis, center, ...])	计算给定轴上数据的绝对中位数偏差。

频率统计#

`cumfreq`(a[, numbins, defaultreallimits, weights])	使用直方图函数返回累积频率直方图。
`percentileofscore`(a, score[, kind, nan_policy])	计算分数相对于分数列表的百分位排名。
`scoreatpercentile`(a, per[, limit, ...])	计算输入序列给定百分位的得分。
`relfreq`(a[, numbins, defaultreallimits, weights])	使用直方图函数返回相对频率直方图。

`binned_statistic`(x, values[, statistic, ...])	为一个或多个数据集计算分箱统计量。
`binned_statistic_2d`(x, y, values[, ...])	计算一组或多组数据的二维直方图统计量。
`binned_statistic_dd`(sample, values[, ...])	计算一组数据的多维直方图统计量。

拟蒙特卡罗#

拟蒙特卡罗子模块 (scipy.stats.qmc)
- 拟蒙特卡罗
  - 引擎
  - 助手
- 拟蒙特卡罗介绍
  - 参考

列联表#

列联表函数 (scipy.stats.contingency)

掩码统计函数#

掩码数组的统计函数 (scipy.stats.mstats)
- 汇总统计
  - describe
    - describe
  - gmean
    - gmean
  - hmean
    - hmean
  - kurtosis
    - kurtosis
  - mode
    - mode
  - mquantiles
    - mquantiles
  - hdmedian
    - hdmedian
  - hdquantiles
    - hdquantiles
  - hdquantiles_sd
    - hdquantiles_sd
  - idealfourths
    - idealfourths
  - plotting_positions
    - plotting_positions
  - meppf
    - meppf
  - moment
    - moment
  - skew
    - skew
  - tmean
    - tmean
  - tvar
    - tvar
  - tmin
    - tmin
  - tmax
    - tmax
  - tsem
    - tsem
  - variation
    - variation
  - find_repeats
    - find_repeats
  - sem
    - sem
  - trimmed_mean
    - trimmed_mean
  - trimmed_mean_ci
    - trimmed_mean_ci
  - trimmed_std
    - trimmed_std
  - trimmed_var
    - trimmed_var
- 频率统计
  - scoreatpercentile
    - scoreatpercentile
- 相关函数
- 统计检验
- 变换
  - obrientransform
    - obrientransform
  - trim
    - trim
  - trima
    - trima
  - trimmed_stde
    - trimmed_stde
  - trimr
    - trimr
  - trimtail
    - trimtail
  - trimboth
    - trimboth
  - winsorize
    - winsorize
  - zmap
    - zmap
  - zscore
    - zscore
- 其他

其他统计功能#

变换#

`boxcox`(x[, lmbda, alpha, optimizer])	返回通过 Box-Cox 幂变换转换的数据集。
`boxcox_normmax`(x[, brack, method, ...])	计算输入数据的最佳 Box-Cox 变换参数。
`boxcox_llf`(lmb, data)	Boxcox 对数似然函数。
`yeojohnson`(x[, lmbda])	返回通过 Yeo-Johnson 幂变换转换的数据集。
`yeojohnson_normmax`(x[, brack])	计算最佳 Yeo-Johnson 转换参数。
`yeojohnson_llf`(lmb, data)	Yeo-Johnson 对数似然函数。
`obrientransform`(*samples)	对输入数据（任意数量的数组）计算 O'Brien 转换。
`sigmaclip`(a[, low, high])	对数组元素执行迭代 sigma 裁剪。
`trimboth`(a, proportiontocut[, axis])	从数组分布的两端切除一定比例的元素。
`trim1`(a, proportiontocut[, tail, axis])	从传递的数组分布的一端切除一定比例的元素。
`zmap`(scores, compare[, axis, ddof, nan_policy])	计算相对 z 分数。
`zscore`(a[, axis, ddof, nan_policy])	计算 z 分数。
`gzscore`(a, *[, axis, ddof, nan_policy])	计算几何标准分数。

统计距离#

`wasserstein_distance`(u_values, v_values[, ...])	计算两个一维离散分布之间的 Wasserstein-1 距离。
`wasserstein_distance_nd`(u_values, v_values)	计算两个 N 维离散分布之间的 Wasserstein-1 距离。
`energy_distance`(u_values, v_values[, ...])	计算两个一维分布之间的能量距离。

随机变量生成/CDF 反演#

rvs_ratio_uniforms(pdf, umax, vmin, vmax[, ...])

使用均匀比方法从概率密度函数生成随机样本。

拟合/生存分析#

`fit`(dist, data[, bounds, guess, method, ...])	将离散或连续分布拟合到数据。
`ecdf`(sample)	样本的经验累积分布函数。
`logrank`(x, y[, alternative])	通过 logrank 检验比较两个样本的生存分布。

方向统计函数#

`directional_stats`(samples, *[, axis, normalize])	计算方向数据的样本统计量。
`circmean`(samples[, high, low, axis, ...])	计算角度观测样本的圆形均值。
`circvar`(samples[, high, low, axis, ...])	计算角度观测样本的圆形方差。
`circstd`(samples[, high, low, axis, ...])	计算角度观测样本的圆形标准差。

敏感性分析#

sobol_indices(*, func, n[, dists, method, ...])

Sobol' 的全局敏感性指标。

图检验#

`ppcc_max`(x[, brack, dist])	计算最大化 PPCC 的形状参数。
`ppcc_plot`(x, a, b[, dist, plot, N])	计算并可选地绘制概率图相关系数。
`probplot`(x[, sparams, dist, fit, plot, rvalue])	计算概率图的分位数，并可选地显示图。
`boxcox_normplot`(x, la, lb[, plot, N])	计算 Box-Cox 正态性图的参数，可选地显示它。
`yeojohnson_normplot`(x, la, lb[, plot, N])	计算 Yeo-Johnson 正态性图的参数，可选地显示它。

单变量和多变量核密度估计#

gaussian_kde(dataset[, bw_method, weights])

使用高斯核表示核密度估计。

`scipy.stats` 中使用的警告/错误#

`DegenerateDataWarning`([msg])	当数据退化且结果可能不可靠时发出警告。
`ConstantInputWarning`([msg])	当数据中的所有值完全相等时发出警告。
`NearConstantInputWarning`([msg])	当数据中的所有值几乎相等时发出警告。
`FitError`([msg])	表示将分布拟合到数据时的错误条件。

`scipy.stats` 中使用的结果类#

警告

这些类是私有的，但它们在这里包含，因为它们的实例由其他统计函数返回。不支持用户导入和实例化。

结果类

`ttest_1samp`(a, popmean[, axis, nan_policy, ...])	计算一组分数的均值的 T 检验。
`binomtest`(k, n[, p, alternative])	执行一个检验，检验成功的概率是否为 p。
`quantile_test`(x, *[, q, p, alternative])	执行分位数检验并计算分位数的置信区间。
`skewtest`(a[, axis, nan_policy, alternative, ...])	检验偏度是否与正态分布不同。
`kurtosistest`(a[, axis, nan_policy, ...])	检验数据集是否具有正态峰度。
`normaltest`(a[, axis, nan_policy, keepdims])	检验样本是否与正态分布不同。
`jarque_bera`(x, *[, axis, nan_policy, keepdims])	对样本数据执行 Jarque-Bera 拟合优度检验。
`shapiro`(x, *[, axis, nan_policy, keepdims])	执行 Shapiro-Wilk 正态性检验。
`anderson`(x[, dist])	Anderson-Darling 检验，用于检验数据是否来自特定分布。
`cramervonmises`(rvs, cdf[, args, axis, ...])	执行单样本 Cramér-von Mises 拟合优度检验。
`ks_1samp`(x, cdf[, args, alternative, ...])	执行单样本 Kolmogorov-Smirnov 拟合优度检验。
`goodness_of_fit`(dist, data, *[, ...])	执行拟合优度检验，将数据与分布族进行比较。
`chisquare`(f_obs[, f_exp, ddof, axis])	计算单向卡方检验。
`power_divergence`(f_obs[, f_exp, ddof, axis, ...])	Cressie-Read 幂散度统计量和拟合优度检验。

`ttest_rel`(a, b[, axis, nan_policy, ...])	计算两组相关分数 a 和 b 的 T 检验。
`wilcoxon`(x[, y, zero_method, correction, ...])	计算 Wilcoxon 符号秩检验。

`linregress`(x[, y, alternative])	计算两组测量的线性最小二乘回归。
`pearsonr`(x, y, *[, alternative, method, axis])	Pearson 相关系数和 p 值，用于检验非相关性。
`spearmanr`(a[, b, axis, nan_policy, alternative])	计算 Spearman 相关系数及其 p 值。
`pointbiserialr`(x, y)	计算点二列相关系数及其 p 值。
`kendalltau`(x, y, *[, nan_policy, method, ...])	计算 Kendall's tau，一种用于序数数据的相关性度量。
`weightedtau`(x, y[, rank, weigher, additive])	计算 Kendall's \(\tau\) 的加权版本。
`somersd`(x[, y, alternative])	计算 Somers' D，一种非对称的序数关联度量。
`siegelslopes`(y[, x, method])	计算一组点 (x, y) 的 Siegel 估计量。
`theilslopes`(y[, x, alpha, method])	计算一组点 (x, y) 的 Theil-Sen 估计量。
`page_trend_test`(data[, ranked, ...])	执行 Page 检验，一种测量处理之间观测值的趋势的指标。
`multiscale_graphcorr`(x, y[, ...])	计算多尺度图相关性 (MGC) 检验统计量。

`chi2_contingency`(observed[, correction, lambda_])	列联表中变量独立性的卡方检验。
`fisher_exact`(table[, alternative])	对 2x2 列联表执行费舍尔精确检验。
`barnard_exact`(table[, alternative, pooled, n])	对 2x2 列联表执行 Barnard 精确检验。
`boschloo_exact`(table[, alternative, n])	对 2x2 列联表执行 Boschloo 精确检验。

`ttest_ind_from_stats`(mean1, std1, nobs1, ...)	根据描述性统计数据，对两个独立样本的均值进行 T 检验。
`poisson_means_test`(k1, n1, k2, n2, *[, ...])	执行泊松均值检验，也称为“E 检验”。
`ttest_ind`(a, b[, axis, equal_var, ...])	计算两个独立分数样本的均值的 T 检验。
`mannwhitneyu`(x, y[, use_continuity, ...])	对两个独立样本执行 Mann-Whitney U 秩检验。
`bws_test`(x, y, *[, alternative, method])	对两个独立样本执行 Baumgartner-Weiss-Schindler 检验。
`ranksums`(x, y[, alternative, axis, ...])	计算两个样本的 Wilcoxon 秩和统计量。
`brunnermunzel`(x, y[, alternative, ...])	计算样本 x 和 y 的 Brunner-Munzel 检验。
`mood`(x, y[, axis, alternative, nan_policy, ...])	执行 Mood 等尺度参数检验。
`ansari`(x, y[, alternative, axis, ...])	执行 Ansari-Bradley 等尺度参数检验。
`cramervonmises_2samp`(x, y[, method, axis, ...])	执行两个样本 Cramér-von Mises 拟合优度检验。
`epps_singleton_2samp`(x, y[, t, axis, ...])	计算 Epps-Singleton (ES) 检验统计量。
`ks_2samp`(data1, data2[, alternative, ...])	执行两个样本 Kolmogorov-Smirnov 拟合优度检验。
`kstest`(rvs, cdf[, args, N, alternative, ...])	执行 (单样本或双样本) Kolmogorov-Smirnov 拟合优度检验。

`f_oneway`(*samples[, axis, nan_policy, keepdims])	执行单因素方差分析。
`tukey_hsd`(*args)	执行 Tukey HSD 检验以测试多个处理中均值的相等性。
`dunnett`(*samples, control[, alternative, ...])	Dunnett 检验：多个组均值与对照组的比较。
`kruskal`(*samples[, nan_policy, axis, keepdims])	计算独立样本的 Kruskal-Wallis H 检验。
`alexandergovern`(*samples[, nan_policy, ...])	执行 Alexander Govern 检验。
`fligner`(*samples[, center, proportiontocut, ...])	执行 Fligner-Killeen 方差相等检验。
`levene`(*samples[, center, proportiontocut, ...])	执行 Levene 方差相等检验。
`bartlett`(*samples[, axis, nan_policy, keepdims])	执行 Bartlett 方差相等检验。
`median_test`(*samples[, ties, correction, ...])	执行 Mood 中位数检验。
`friedmanchisquare`(*samples[, axis, ...])	计算重复样本的 Friedman 检验。
`anderson_ksamp`(samples[, midrank, method])	k 个样本的 Anderson-Darling 检验。

`monte_carlo_test`(data, rvs, statistic, *[, ...])	执行蒙特卡罗假设检验。
`permutation_test`(data, statistic, *[, ...])	对给定数据上给定统计量进行置换检验。
`bootstrap`(data, statistic, *[, n_resamples, ...])	计算统计量的双边自举置信区间。
`power`(test, rvs, n_observations, *[, ...])	在备择假设下模拟假设检验的功效。

`MonteCarloMethod`([n_resamples, batch, rvs])	蒙特卡罗假设检验的配置信息。
`PermutationMethod`([n_resamples, batch, ...])	置换假设检验的配置信息。
`BootstrapMethod`([n_resamples, batch, ...])	自举置信区间的配置信息。

`combine_pvalues`(pvalues[, method, weights, ...])	结合来自针对同一假设的独立测试的 p 值。
`false_discovery_control`(ps, *[, axis, method])	调整 p 值以控制错误发现率。

统计函数 (scipy.stats)#