<\/p>\n
I seguenti esempi mostrano come eseguire tre diversi t-test utilizzando un DataFrame panda:<\/span><\/p>\n Un t-test indipendente a due campioni<\/a> viene utilizzato per determinare se le medie di due popolazioni sono uguali.<\/span><\/p>\n Ad esempio, supponiamo che un professore voglia sapere se due diversi metodi di studio portano a voti medi diversi agli esami.<\/span><\/p>\n Per testarlo, recluta 10 studenti per utilizzare il metodo A e 10 studenti per utilizzare il metodo B.<\/span><\/p>\n Il codice seguente mostra come inserire i punteggi di ogni studente in un DataFrame panda, quindi utilizzare la funzione ttest_ind()<\/a> della libreria SciPy<\/strong> per eseguire un t-test indipendente a due campioni:<\/span><\/p>\n Dal risultato possiamo vedere:<\/span><\/span><\/p>\n Poich\u00e9 il valore p \u00e8 inferiore a 0,05, rifiutiamo l’ipotesi nulla del t-test e concludiamo che esistono prove sufficienti per affermare che i due metodi portano a punteggi medi degli esami diversi.<\/span><\/p>\n Il test t di Welch<\/a> \u00e8 simile al test t indipendente a due campioni, tranne per il fatto che non presuppone che le due popolazioni da cui vengono estratti i campioni abbiano la stessa varianza<\/a> .<\/span><\/p>\n Per eseguire il test t di Welch esattamente sullo stesso set di dati dell’esempio precedente, dobbiamo semplicemente specificare equal_var=False<\/strong> nella funzione ttest_ind<\/strong> () come segue:<\/span><\/p>\n Dal risultato possiamo vedere:<\/span><\/p>\n Poich\u00e9 il valore p \u00e8 inferiore a 0,05, rifiutiamo l’ipotesi nulla del test t di Welch e concludiamo che esistono prove sufficienti per affermare che i due metodi portano a punteggi medi degli esami diversi.<\/span><\/p>\n Un test t per campioni accoppiati<\/a> viene utilizzato per determinare se due medie di popolazione sono uguali in cui ciascuna osservazione in un campione pu\u00f2 essere associata a un’osservazione nell’altro campione.<\/span><\/p>\n Ad esempio, supponiamo che un professore voglia sapere se due diversi metodi di studio portano a voti medi diversi agli esami.<\/span><\/p>\n Per testarlo, recluta 10 studenti affinch\u00e9 utilizzino il Metodo A e poi sostengano un test. Quindi lascia che gli stessi 10 studenti che hanno utilizzato il Metodo B si preparino e sostengano un altro test di difficolt\u00e0 simile.<\/span><\/p>\n Poich\u00e9 tutti gli studenti compaiono in entrambi i campioni, in questo scenario possiamo eseguire un t-test per campioni accoppiati.<\/span><\/p>\n Il codice seguente mostra come inserire i punteggi di ogni studente in un DataFrame panda, quindi utilizzare la funzione ttest_rel()<\/a> della libreria SciPy<\/strong> per eseguire un t-test di campioni accoppiati:<\/span><\/p>\n Dal risultato possiamo vedere:<\/span><\/p>\n Poich\u00e9 il valore p \u00e8 inferiore a 0,05, rifiutiamo l’ipotesi nulla del t-test per campioni accoppiati e concludiamo che esistono prove sufficienti per affermare che i due metodi portano a punteggi medi degli esami diversi.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in Python:<\/span><\/p>\n Come eseguire un test di indipendenza del chi quadrato in Python<\/a> I seguenti esempi mostrano come eseguire tre diversi t-test utilizzando un DataFrame panda: T-test indipendente a due campioni Test t di Welch a due campioni Test t per campioni accoppiati Esempio 1: test t indipendente a due campioni nei panda Un t-test indipendente a due campioni viene utilizzato per determinare se le medie di due […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Esempio 1: test t indipendente a due campioni nei panda<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\nfrom<\/span> scipy. stats<\/span> import<\/span> ttest_ind\n\n#create pandas DataFrame\n<\/span>df = pd. DataFrame<\/span> ({'method': ['A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B'],\n 'score': [71, 72, 72, 75, 78, 81, 82, 83, 89, 91, 80, 81, 81,\n 84, 88, 88, 89, 90, 90, 91]})\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n method score\n0 to 71\n1 To 72\n2 To 72\n3 to 75\n4 to 78\n\n#define samples\n<\/span>group1 = df[df[' method<\/span> ']==' A<\/span> ']\ngroup2 = df[df[' method<\/span> ']==' B<\/span> ']\n\n#perform independent two sample t-test\n<\/span>ttest_ind(group1[' score<\/span> '], group2[' score<\/span> '])\n\nTtest_indResult(statistic=-2.6034304605397938, pvalue=0.017969284594810425)\n<\/strong><\/span><\/pre>\n\n
Esempio 2: test t di Welch nei panda<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\nfrom<\/span> scipy. stats<\/span> import<\/span> ttest_ind\n\n#create pandas DataFrame\n<\/span>df = pd. DataFrame<\/span> ({'method': ['A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B'],\n 'score': [71, 72, 72, 75, 78, 81, 82, 83, 89, 91, 80, 81, 81,\n 84, 88, 88, 89, 90, 90, 91]})\n\n#define samples\n<\/span>group1 = df[df[' method<\/span> ']==' A<\/span> ']\ngroup2 = df[df[' method<\/span> ']==' B<\/span> ']\n\n#perform Welch's t-test\n<\/span>ttest_ind(group1[' score<\/span> '], group2[' score<\/span> '], equal_var= False<\/span> )\n\nTtest_indResult(statistic=-2.603430460539794, pvalue=0.02014688617423973)\n<\/strong><\/span><\/pre>\n\n
Esempio 3: test t per campioni accoppiati su Pandas<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\nfrom<\/span> scipy. stats<\/span> import<\/span> ttest_rel\n\n#create pandas DataFrame\n<\/span>df = pd. DataFrame<\/span> ({'method': ['A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B'],\n 'score': [71, 72, 72, 75, 78, 81, 82, 83, 89, 91, 80, 81, 81,\n 84, 88, 88, 89, 90, 90, 91]})\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n method score\n0 to 71\n1 To 72\n2 To 72\n3 to 75\n4 to 78\n\n#define samples\n<\/span>group1 = df[df[' method<\/span> ']==' A<\/span> ']\ngroup2 = df[df[' method<\/span> ']==' B<\/span> ']\n\n#perform independent two sample t-test\n<\/span>ttest_rel(group1[' score<\/span> '], group2[' score<\/span> '])\n\nTtest_relResult(statistic=-6.162045351967805, pvalue=0.0001662872100210469)\n<\/strong><\/span><\/pre>\n\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire ANOVA unidirezionale in Python<\/a>
Come eseguire il test esatto di Fisher in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"