scipy.stats: bảng tra hàm theo việc cần làm
Bài 1/8 · Chương 14
Trang phụ trợ
- 6 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 11
scipy.stats là module thống kê của thư viện SciPy: nó có các đối tượng phân phối (norm, t, binom…) để tính xác suất và phân vị, các hàm kiểm định (ttest_ind(), chi2_contingency()…) trả về thống kê và p-value, cùng các hàm tương quan, hồi quy và mô phỏng. Trang này xếp các hàm hay dùng theo việc bạn cần làm, mỗi dòng link về bài dạy kỹ.
Cần biết trước: PMF, PDF và CDF.
Bảng tra nhanh: hàm scipy.stats theo việc cần làm
Mọi dòng dùng from scipy import stats; x, a, b là mảng số, bang là bảng chéo số đếm. Chưa biết việc của mình thuộc dòng nào thì đọc trước bài chọn kiểm định hay chọn phân phối.
Cần làm | Hàm | Trả về | Bài |
|---|---|---|---|
Xác suất, phân vị của một phân phối |
| số hay mảng | |
Xác suất rời rạc |
| số hay mảng | |
Giá trị tới hạn t |
| số | |
Sai số chuẩn của trung bình |
| số | |
Khoảng tin cậy cho trung bình |
| bộ hai số | |
So trung bình với một số |
|
| |
So hai nhóm độc lập |
|
| |
So trước và sau trên cùng người |
|
| |
So ba nhóm trở lên |
|
| |
Hai biến phân loại có liên quan |
|
| |
Tần suất có khớp tỉ lệ cho trước |
|
| |
Dữ liệu có gần chuẩn |
|
| |
So hai nhóm không giả định chuẩn |
|
| |
Tương quan tuyến tính |
|
| |
Tương quan hạng |
|
| |
Đường thẳng hồi quy |
|
| |
Khoảng tin cậy bằng lấy mẫu lại |
|
| |
Kiểm định bằng xáo nhãn |
|
|
Hai quy ước chung của cả module: mọi phân phối liên tục dùng loc (vị trí) và scale (độ rộng) thay cho tên riêng như mean, sd; mọi hàm kiểm định trả một đối tượng kết quả có trường statistic và pvalue.
Đối tượng phân phối: một dòng cho mỗi câu hỏi
Một đối tượng phân phối "đóng băng" tham số một lần, rồi trả lời nhiều câu hỏi. Khối lượng gói cà phê của một xưởng theo phân phối chuẩn, trung bình 500 g, độ lệch chuẩn 4 g:
from scipy import stats
goi = stats.norm(loc=500, scale=4)
print(round(goi.cdf(495), 4))
print(round(goi.sf(508), 4))
print(round(goi.ppf(0.95), 2))
print(round(goi.cdf(505) - goi.cdf(495), 4))KẾT QUẢ
0.1056
0.0228
506.58
0.7887Dòng một là P(X ≤ 495), dòng hai là P(X > 508) (sf là 1 − cdf), dòng ba là mốc mà 95% số gói nhẹ hơn, dòng cuối là xác suất một gói nặng từ 495 tới 505 g. Đổi scale=4 thành scale=2 rồi chạy lại: dòng cuối in 0.9876, vì máy đều hơn nên gần hết số gói rơi vào khoảng đó. Ý nghĩa của từng phương thức nằm ở bài PMF, PDF và CDF, bài mẹ của trang này.
Đối tượng kết quả của hàm kiểm định
Hàm kiểm định trả một đối tượng có tên trường, nên đọc bằng tên thay vì nhớ thứ tự. Hai ca máy đóng gói, mỗi ca cân sáu gói:
from scipy import stats
ca_sang = [501.2, 498.7, 503.1, 499.5, 502.4, 500.8]
ca_chieu = [497.9, 499.1, 496.4, 498.8, 500.2, 497.5]
kq = stats.ttest_ind(ca_sang, ca_chieu, equal_var=False)
print(round(kq.statistic, 2), round(kq.pvalue, 4))
print(round(kq.df, 1))
ci = kq.confidence_interval(0.95)
print(round(ci.low, 2), round(ci.high, 2))KẾT QUẢ
3.02 0.0137
9.5
0.67 4.59df là bậc tự do của kiểm định Welch, confidence_interval() cho khoảng tin cậy 95% của hiệu hai trung bình. Ở mức ý nghĩa 5%, dữ liệu cho thấy hai ca đóng gói có khối lượng trung bình khác nhau; khoảng tin cậy nói ca sáng nặng hơn bao nhiêu gam. Cách đọc đầy đủ ở bài kiểm định t hai mẫu.
Kết quả nhiều trường: chi2_contingency() và linregress()
Một số hàm trả thêm trường riêng. Bảng chéo của chi bình phương có bậc tự do và bảng ô mong đợi; hồi quy có hệ số góc, hệ số chặn và r:
from scipy import stats
bang = [[30, 20], [18, 32]]
kq = stats.chi2_contingency(bang)
print(round(kq.statistic, 2), kq.dof, round(kq.pvalue, 4))
print(kq.expected_freq)
gio = [1, 2, 3, 4, 5, 6]
diem = [5.2, 6.1, 6.4, 7.3, 7.9, 8.6]
hq = stats.linregress(gio, diem)
print(round(hq.slope, 3), round(hq.intercept, 3), round(hq.rvalue, 3))KẾT QUẢ
4.85 1 0.0277
[[24. 26.]
[24. 26.]]
0.666 4.587 0.995expected_freq là bảng ô mong đợi, thứ cần kiểm theo quy tắc ô từ 5 trở lên. Hệ số góc 0,666 nghĩa là mỗi giờ học thêm đi kèm điểm cao hơn khoảng 0,67 trong sáu bạn này, như bài hồi quy đơn đọc.
Kiểm tra nhanh
Bạn có bảng đếm khách theo chi nhánh và món đồ uống, muốn biết hai biến có liên quan không. Hàm nào hợp?
stats.ttest_ind()stats.chi2_contingency()stats.pearsonr()
Những lời gọi nào đúng tên tham số của scipy.stats?
stats.norm(loc=500, scale=4)stats.norm(mean=500, sd=4)stats.t.ppf(0.975, df=24)stats.t.interval(95, df=24)
Sau
from scipy import stats,print(round(stats.norm.cdf(0), 2))in ra gì?0.00.51.0
Bài tập
Xác suất rơi vào một khoảng của phân phối chuẩn
Viết hàm xac_suat_khoang(mu, sigma, a, b) trả về xác suất một biến chuẩn trung bình mu, độ lệch chuẩn sigma rơi vào khoảng từ a tới b (a < b), tính bằng hiệu hai giá trị CDF của stats.norm.
Ví dụ: xac_suat_khoang(500, 4, 495, 505) cho khoảng 0,7887.
Trả về: xác suất, một float.
from scipy import stats
def xac_suat_khoang(mu, sigma, a, b):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Phân phối: dựng
stats.norm(loc, scale)một lần rồi gọi.cdf(),.sf(),.ppf(),.pmf().scalelà độ lệch chuẩn, không phải phương sai; mức tin cậy viết 0.95.Kiểm định: đọc kết quả bằng tên trường
statistic,pvalue, vàdf,confidence_interval()khi có.Chọn hàm theo việc cần làm ở bảng tra; bài ở cột cuối dạy cách đọc kết quả.
Câu hỏi thường gặp
scipy stats python cần cài gì?
Cài SciPy bằng python -m pip install scipy rồi viết from scipy import stats. Trên trang này mã đã chạy sẵn scipy 1.18.0. Bài cài đặt scipy và statsmodels chỉ từng bước và cách kiểm phiên bản.
scipy stats functions có hàm tính phương sai, trung bình không?
Có stats.describe() cho một bảng số đo, stats.sem() cho sai số chuẩn, stats.skew() và stats.kurtosis() cho hình dạng. Trung bình, phương sai, phân vị thì NumPy và pandas đủ dùng: np.mean(), np.var(x, ddof=1), np.percentile(). Bài bảng tra thống kê mô tả gom chúng.
Khi nào dùng statsmodels thay cho scipy.stats?
Khi cần bảng hồi quy đầy đủ (sai số chuẩn, p-value, khoảng tin cậy của từng hệ số) hay mô hình có nhiều biến. scipy.stats đủ cho kiểm định và hồi quy đơn; bài suy diễn cho hồi quy dùng statsmodels.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.