为什么要写假设检验？因为在工作中经常会遇到ABTest就不可避免的要进行假设检验，进行结果的有效性分析。
假设检验的方法有很多比如T检验、卡方检验、方差分析等。这些方法在Excel、Python、R、Spss里都是可以实现的。
本篇文章主要写代码层面的实现，本着在工作中学以致用来写本文，所以会少一些原理性的讲解。原理性的讲解后期补。
一、假设检验——T检验
T检验有2种，一种叫单样本T检验、另一种两样本T检验。
工欲善其事必先利其器，用Python进行假设检验前我们需要把必备的包给安装好。
#必备安装包
pip install scipy numpy
1.1两样本T检验(ttest_ind)
scipy.stats.ttest_ind(a, b, axis=0, equal_var=True, nan_policy='propagate'
参数解释：
a、b：待检验的数据集
equal_var：方差齐性判断
nan_policy：执行代码检验，返回结果的状态。
这个参数有3种状态：{‘propagate’, ‘raise’, ‘omit’}，分别返回{nan、报错、忽略}方差齐性定义：两样本总体方差相等，当两总体方差相等时，即具有“方差齐性”，可以直接检验。
设：
H0(原假设)：两列数据没有显著性差异。以95%的置信区间进行判定。
数据集：
#均值为5，方差为10的两列数据
rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)
rvs2 = stats.norm.rvs(loc=5,scale=10,size=500)
#均值为5，方差为20的500个数据
rvs3 = stats.norm.rvs(loc=5, scale=20, size=500)
#均值为5，方差为10的100个数据
rvs4 = stats.norm.rvs(loc=5, scale=20, size=100)
#均值为8，方差为20的100个数据
rvs5 = stats.norm.rvs(loc=8, scale=20, size=100)
1.1.1检验rvs1和rvs2之间是否有显著性差异。
因为：样本方差，均值相同，数据量相同，可以直接套代码进行检验
stats.ttest_ind(rvs1,rvs2)
#输出：Ttest_indResult(statistic=0.9208589021990001, pvalue=0.35734663412126055)
1.1.2检验rvs1和rvs3之间是否有显著性差异。
因为：样本方差不同，均值相同，数据量相同，需要设置equal_var = False
rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)
rvs3 = stats.norm.rvs(loc=5, scale=20, size=500)
stats.ttest_ind(rvs1, rvs3, equal_var = False)
1.1.3检验rvs1和rvs4之间是否有显著性差异。
因为：样本均值相同，方差不同，样本量不同。需要设置equal_var = False，如果默认True(不设置)，结果的P值会变大。
rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)
rvs4 = stats.norm.rvs(loc=5, scale=20, size=100)
stats.ttest_ind(rvs1, rvs4, equal_var = False) #If equal_var =True，则P值差异会比较大
1.1.4检验rvs1和rvs5之间是否有显著性差异。
rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)
rvs5 = stats.norm.rvs(loc=8, scale=20, size=100)
stats.ttest_ind(rvs1, rvs5, equal_var = False) #If equal_var =True，则P值差异会比较大
