maximtrp/scikit-posthocs

解决的问题

填补了 Python 统计生态系统中的空白，提供了一套全面的后验检验（post hoc tests），用于成对多重比较。这些检验在统计数据分析中用于确定在 ANOVA 检验获得统计显著结果后，哪些组别水平之间存在差异。

如何工作

该包与 NumPy 数组和 Pandas DataFrames 集成，实现快速计算。提供广泛的参数检验和非参数检验，包括全检验（omnibus tests）、因子设计和区块设计的检验，以及与对照组的比较。还包含用于异常值检测和 p 值校正的工具，以最小化第一类和第二类错误。

适用人群

专为使用 Python 进行数据分析工作流的统计学家、数据分析师和研究人员设计。

主要亮点

• 丰富的检验库：包含参数检验（如 TukeyHSD、Games-Howell）、非参数检验（如 Dunn、Conover）和全检验。
• 设计支持：针对因子设计和区块设计数据的专用检验。
• 数据集成：原生支持 Python 列表、NumPy 数组和 Pandas DataFrames。
• 可视化：内置显著性图（热图）以可视化 p 值。
• 分析工具：提供异常值检测（如 Grubbs、ESD 检验）和结果汇总的紧凑字母显示（CLD）功能。