需要excel数据源文件的请去下载，只保留少数列的数据，剩余的2000多个数据已经被我删除了。帮学医的同学弄完一个python数据处理的程序，怕以后忘记了，记录下来t检验是计量资料的假设检验中最为简单常用的，当样本含量n较小时，比如n小于60。配对t检验又称成对t检验，适用于配对设计的计量资料。配对设计是将受试对象按照某些重要特征，如可疑混杂因素性别等配成对子，每对中的两个受试对象随机分配到两处理
转载
2023-12-06 18:02:36
156阅读
一、装饰器1、什么是装饰器'''
装饰器
'''
# 创建几个函数
def add(a,b):
'''求任意两个数的和'''
print('计算开始：')
r = a + b
return r
print('计算结束')
def mul(a,b):
'''求任意两个数的积'''
return a * b
# 希望函数可以在计算前，打
转载
2023-10-15 10:48:22
163阅读
在进行时间序列分析时，尤其是在金融、气象等领域，检验时间序列数据的平稳性是一个重要的步骤。常用的方法之一是使用 `adfuller` 函数进行平稳性检验，尤其是当我们关注截距项时。下面将详细记录如何在Python中使用`adfuller`进行平稳性检验的整个过程。
### 环境预检
在开始之前，我们需要确保技术环境与工具的兼容性。以下是我们将使用的软件和库。
#### 四象限图与兼容性分析
# 使用Python实现ADFuller检验的完整过程
## 一、引言
在时间序列数据分析中，判断数据是否平稳是非常重要的。ADFuller（Augmented Dickey-Fuller）检验是一种常用的检验方法。在本教程中，我们将学习如何使用Python实现ADFuller检验，彻底理解每一步的代码及其用途。
## 二、流程概述
在实现ADFuller检验之前，我们需要经过以下几个步骤
假设检验步骤给出原假设H0H_0H0，通常为积极肯定的一面，例如原数据集及符合某类分布F(X)F(X)F(X)。挑选统计量(该统计量服从分布F(X)F(X)F(X))，根据样本计算统计量的值。根据预先设定的显著性程度或者置信度，计算临界值，若统计值超出临界值则否定原假设；或者根据统计值计算p值(符合原假设的概率)，若p值小于显著性程度则否定原假设。基于上述思想，可以先假设没有异常值且样本服从某种分
转载
2023-10-30 22:51:19
167阅读
ARCH效应检验import pandas as pdSHret=pd.read_table('TRD_IndexSum.txt', index_col='Trddt', sep='\t')/Users/yaochenli/anaconda3/lib/python3.7/site-packages/ipykernel_launcher.py:1: FutureWarning: read_table
转载
2023-07-02 23:06:53
242阅读
python的装饰器是python的特色高级功能之一，言简意赅得说，其作用是在不改变其原有函数和类的定义的基础上，给他们增添新的功能。装饰器存在的意义是什么呢？我们知道，在python中函数可以调用，类可以继承，为何要必须保证不改变函数和类的定义，就使得函数有了新的功能呢？其实很好解释。提高代码的简洁程度与封装性。如果你采用新声明一个函数，并调用原来函数的思路使得原函数功能增加了，但是一方面使用起
转载
2024-02-23 21:09:20
62阅读
# Python进行F检验的实现
## 1. 概述
在统计学中，F检验是一种用来比较两个或多个样本方差是否相等的方法。它通过计算F值来判断差异的显著性。Python中的`scipy.stats`模块提供了进行F检验的函数`f_oneway`。
## 2. F检验流程
下面是进行F检验的步骤：
步骤 | 描述
--- | ---
1. 数据准备 | 准备待比较的样本数据
2. 导入模块 |
原创
2023-10-27 05:10:32
231阅读
# 使用Python进行ADF检验指南
在时间序列分析中，单位根检验是一种常用的统计方法，其中最常用的是Augmented Dickey-Fuller（ADF）检验。本文将详细介绍如何使用Python进行ADF检验，帮助你理解整个过程。
## 整个流程
在进行ADF检验时，可以按照如下流程进行：
| 步骤 | 操作 | 说明
原创
2024-10-24 06:09:03
221阅读
前言之前看过相关的测试数据准备的文章，坦白说，看完之后，能记住只有2个：api准备数据；数据库插入；而最近，同学恰好也问到这问题： 当时回复就如上面的答复，现在回头想想，的确没想到好的方案，在脑海里，有一个所谓的"终极方案"，就是读取接口文档，自动生成测试数据，理论上可行，但一直没去做，懒； 有啥办法做过单元/接口测试的同学都知道，其中有一个环节就是测试数据准备，而这一步是不可或缺的一步，
t检验主要是针对正态总体均值的假设检验，即检验样本的均值与某个值的差异，或者两个样本的均值是否有差异等。其不需要事先知道总体的方差，并且在少量样本情况下也可以进行检验。python进行t检验使用scipy包的stats模块。一、单样本t检验 示例：已知某工厂生产的一种点火器平均寿命大于1200次为合格产品，现在质检部随机抽取了20个点火器进行试验，结果寿命分别为（单位：次）：
转载
2023-08-03 22:01:44
552阅读
几乎所有对象都可以比较、测试真值、转换为字符串（其实就是用repr()函数，或略有差异的str()函数来转换）1 对象是否为真任何对象都可以测试真值，用于if或while的条件或下面布尔运算的操作数。下面的值被视为假：NoneFalse任何数值类型的零，例如，0、 0L、0.0、 0j。任何空的序列，例如， ''、 ()、 []。任何空的映射，例如
转载
2024-02-05 16:20:44
95阅读
使用Python进行T检验所需要用到的第三方库有scipy。均可以通过pip直接安装。pip install scipy numpy引入第三方库from scipy import stats注：ttest_1samp、ttest_ind和ttest_rel均进行双侧检验。\(H_0:\mu=\mu_0\)\(H_1:\mu=\mu_0\)单样本T检验(ttest_1samp)官方文档ttest_1
转载
2023-07-03 16:23:54
215阅读
目录1. 平稳性检验2. 白噪声检验免责声明：本文由作者参考相关资料，并结合自身实践和思考独立完成，对全文内容的准确性、完整性或可靠性不作任何保证。同时，文中提及的数据仅作为举例使用，不构成推荐；文中所有观点均不构成任何投资建议。请读者仔细阅读本声明，若读者阅读此文章，默认知晓此声明。*本文非理论篇，主要展示结果的转换输出。1. 平稳性检验 平稳性检验是时序建模的基础，对
转载
2024-08-11 15:26:30
64阅读
基于Python的T检验本文讨论的T检验分为三类，分别是：单样本t检验，适用于对一组数据的均值进行检验配对的双样本T检验，适用于配对的两组数据之间的差异进行检验独立双样本T检验，适用于两组两组独立数据的差异，又可以进一步分为等方差的独立样本t检验和异方差的独立样本T检验本文介绍3种T检验的使用方法，最后介绍T检验的一般报告格式单样本T检验单样本t检验用于比较单列正态分布与给定均值是否具有显著差异，
转载
2023-08-21 19:38:04
899阅读
# 概念T检验，也称 student t 检验 ( Student’s t test ) ，用来比较两个样本的均值差异是否显著，通常用于样本含量较小 ( n <30 ) 的样本。分为单样本 t 检验、两独立样本 t 检验和两配对样本 t 检验。# 适用条件 1. 已知一个总体均数； 2. 可得到一个样本均数及该样本标准差； 3. 样本来自正态或近似正态总体。 # 单
转载
2023-07-06 23:42:51
179阅读
一.蒙特卡罗方法蒙特卡洛的基本原理简单描述是先大量模拟，然后计算一个事件发生的次数，再通过这个发生次数除以总模拟次数，得到想要的结果，精髓就是：用统计结果去计算频率，从而得到真实值的近似值。蒙特卡洛方法可以应用在很多场合，但求的是近似解，在模拟样本数越大的情况下，越接近与真实值，但样本数增加会带来计算量的大幅上升。不理解的话请戳: 二.Q-Q plotQ，Quantile，分位数，亦称分位点。不理
转载
2024-04-07 18:32:00
11阅读
目录1 假设检验的基本思想2 假设检验的基本原理3 假设检验中可能犯的错误4 假设检验的基本步骤4.1 第一步：提出假设4.2 第二步：确定理论的显著性水平
4.3 第三步：计算用于检验的统计量4.4 第四步：根据统计量对应的P值进行判断假设5 假设检验中总体的集中不同情况 1 假设检验的基本思想举例理解，如检验"小明是一个从来不做坏事的好人"按照这个假设前提，小明不会干坏事或干坏事的几率是非
转载
2023-09-21 01:36:22
108阅读
之前介绍了深度学习--多层感知机，然而，模型训练可能存在欠拟合或者过拟合现象。因此，今天首先介绍模型误差的概念，如何进行模型选择以及过拟合、欠拟合问题，然后用一个例子进行拟合实验，最后介绍过拟合的解决方案。
0
1模型误差
训练误差(training error)： 指模型在训练数据集上表现出的误差；泛化误差(generalization error)：&n
# Python进行白噪声检验
## 引言
在时间序列分析中，白噪声是指那些在时间上不具有序列相关性、具有零均值、恒定方差的随机噪声。白噪声的检验是非常重要的，因为它可以帮助我们判断一个时间序列是否是有效的统计模型或者是否存在趋势及季节性等现象。本文将通过Python进行白噪声检验，并展示相关的代码示例及说明。
## 白噪声的特征
白噪声有几个显著特征：
1. **均值为零**：白噪声的平
