做Python数据分析的人，十有八九都遇到过这种需求：手里有两组数据，可能是A/B测试跑出来的两个版本，可能是两个门店同一时期的营业额，也可能是两种治疗方案下患者的指标变化，业务方丢给你一句话：“帮我看看这两个到底有没有差别。”这时候，独立双样本t检验和z检验就是你最常用的两把枪。网上的教程不少，但大部分要么只给公式，要么只给代码，很少有人把“什么时候用哪个”和“为什么”讲透，结果不少人跑完scipy.stats.ttest_ind，连p值是单尾还是双尾都说不清楚。这篇内容，我会从统计原理讲到Python实操，把独立双样本t检验和z检验的适用场景、判断逻辑、代码实现和结果解读一次讲清楚，顺手把我踩过的坑也一起交代了，适合刚入门数据分析、或者用过统计库但一直没搞懂背后原理的读者。
1. 先想明白：独立双样本检验到底在解决什么问题
1.1 独立两个字，是整个检验的前提
很多人跑假设检验翻车，第一个坑就栽在“独立”上。所谓独立双样本，意思是两个样本的观测值之间没有对应关系、互不影响，通常来自两个不同的总体或两个不同的实验处理。比如把100个用户随机分成两组，一组看A方案，一组看B方案，两组用户的行为可以被视为相互独立；再比如拿南方城市和北方城市的门店营业额做比较，只要不是同一批门店在不同时期的重复测量，也算独立。
最典型的反例是“前后测”：同一批人在干预前测一次血压，干预之后再测一次。这两次测量来自同一个人，高度相关，如果当成两组独立样本跑ttest_ind，看起来很爽，样本量直接翻倍，但实际上配对信息被你丢掉了。正确做法是用scipy.stats.ttest_rel做配对检验。我见过有人把一份配对数据跑成独立t检验，p值刚好卡在0.05附近，报告都交了才发现实验设计根本不是独立样本，结论直接作废。记住一句话：能不能把数据拆成“独立的两组”，由实验设计决定，不由你的Excel表格怎么摆决定。
1.2 t检验和z检验的核心区别：方差已知还是未知
区分t检验和z检验，最本质的一条就是：总体的方差到底是不是已知的。z检验的统计量长这样：z = (x̄₁ - x̄₂) / sqrt(σ₁²/n₁ + σ₂²/n₂)，里面用的是总体标准差σ。问题是，现实工作中几乎不可能把总体标准差精确拿到手，你手里通常只有样本标准差s，所以你得用s去估计σ，于是统计量变成t = (x̄₁ - x̄₂) / sqrt(s₁²/n₁ + s₂²/n₂)。
用s估计σ会带来额外的“不确定性”，sampling distribution不再严格服从标准正态分布，而是服从t分布。t分布和正态分布的区别有点像你拿一把没标定过的尺子量东西：正态分布假设你用的是标准尺，误差边界是确定的；t分布则承认你手里的尺子本身有误差，而且样本越少，你对这把尺子的信心就越低，分布尾巴就会越厚，需要更大的差异才能说“显著”。随着自由度增大，s对σ的估计越来越准，t分布越来越接近正态分布，这也就是为什么自由度一大，t检验和z检验结果几乎一样。
1.3 大样本就能随便用z检验？现实里别太教条
很多人的记忆口诀是“样本量大于30用z检验，小于30用t检验”。这个经验法则有一定道理，但它的成立前提是中心极限定理：样本量够大时，即使原始数据不服从正态分布，样本均值也近似服从正态分布，此时用样本方差替代总体方差引入的误差可以被忽略。但“30”不是万能门槛，如果数据严重偏态、重尾，或者样本量差距悬殊，30远远不够，需要更大的样本才能撑起正态近似。
实际操作中还有一个常见场景需要注意：比例检验，比如两个版本的转化率对比。比例检验通常直接用z检验，因为二项分布在样本量够大时近似正态，公式里用的是样本比例的标准误，这是教科书和统计软件里都默认的做法。所以你在Python里选方案时，代码层面大概是这样的思路：连续变量小样本或方差未知，优先t检验；大样本连续变量、比例比较，可以用z检验；如果样本量大到一定程度，用t和用z在结论上很少会打架，真正要紧的是先确认两组数据到底是不是独立样本，以及业务问题能不能用均值差异来回答。
2. 动手前先自查数据：三步检查不能省
2.1 数据整理：长格式是pandas的正确姿势
在Python里做独立双样本检验，第一步不是急着调检验函数，而是先把数据整理成“长格式”：一列是组别，一列是数值。长格式的好处一堆，groupby描述统计方便，后续画箱线图方便，而且scipy的检验函数可以直接接收两个数组，从长格式里拆出来也顺手。
import pandas as pd import numpy as np # 假设 a、b 是两个一维数组，长度分别为 n1 和 n2 df = pd.DataFrame({ 'group': ['A'] * len(a) + ['B'] * len(b), 'value': np.concatenate([a, b]) }) desc = df.groupby('group')['value'].agg(['count', 'mean', 'std']) print(desc)如果你手里的Excel是A组一列、B组一列，那要先用melt转成两列结构：
wide = pd.read_excel('data.xlsx') long = wide.melt(var_name='group', value_name='value')这一步看起来简单，但我见过太多人把宽格式数据直接塞进函数里，结果不是长度对不上，就是组标签错位。数据格式乱了，后面检验代码写得再漂亮也没用。
2.2 正态性检查：t检验最基础的假设
独立样本t检验要求两组数据近似正态，或者样本量大到可以忽略非正态的影响。这里的“正态性”主要指均值抽样分布的正态性，实际数据原始分布偏一点，只要样本量不太小，t检验往往还能扛得住。但脏活还是要做，至少看看数据长什么样。
from scipy import stats import matplotlib.pyplot as plt print('Shapiro A:', stats.shapiro(a)) print('Shapiro B:', stats.shapiro(b)) print('NormalTest A:', stats.normaltest(a)) print('NormalTest B:', stats.normaltest(b)) fig, ax = plt.subplots(1, 2, figsize=(10, 4)) stats.probplot(a, plot=ax[0]) ax[0].set_title('A组 QQ图') stats.probplot(b, plot=ax[1]) ax[1].set_title('B组 QQ图') plt.show()shapiro适合样本量不太大的情况，normaltest是基于偏度和峰度的综合检验。这些检验的p值小于0.05时，提示数据可能偏离正态，但不要机械解读：样本量巨大时，轻微偏态也会让p小于0.05，此时看QQ图更靠谱——如果散点大体贴着对角线，就认为可接受；如果出现明显的S形或尾部偏离，就要警惕了。
2.3 方差齐性检查：决定你该用Student还是Welch
另一个前置检查是方差齐性，也就是看两组数据的总体方差是否大致相等。经典的独立样本t检验，也就是Student's t-test，假设两组方差相等；如果两组方差差别很大，直接用等方差版本可能会让p值偏大或偏小，这时候应该用Welch's t-test。
print('Levene:', stats.levene(a, b)) print('Bartlett:', stats.bartlett(a, b))levene检验对非正态数据更稳健，bartlett检验对正态假设更敏感。p小于0.05时，提示方差不齐，检验选项里用equal_var=False即可。这里要专门说一下：现代统计学界普遍推荐默认使用Welch's t-test，不要先跑一个F检验再去决定选哪个。理由很简单，F检验本身对正态性敏感，而且“先检验再选检验”会让最终结果的显著性带上多重检验的色彩。你就直接跑ttest_ind(equal_var=False)，绝大多数情况下是更稳妥的做法。
3. 核心代码：t检验和z检验的Python实现与关键参数
3.1 独立样本t检验：ttest_ind用法与单双尾问题
from scipy import stats t_stat, p_two_tailed = stats.ttest_ind(a, b, equal_var=False) print(f"t = {t_stat:.3f}, p(双尾) = {p_two_tailed:.4f}") # 如果备择假设是“A组均值 > B组均值” if t_stat > 0: p_one_tailed = p_two_tailed / 2 else: p_one_tailed = 1 - p_two_tailed / 2 print(f"p(单尾) = {p_one_tailed:.4f}")ttest_ind默认返回双尾p值，这也是最容易搞错的地方。如果你研究的问题有明确方向，比如“新方案是否比旧方案好”，你需要的是单尾p值。简单除以2只在检验方向与实际观测差异方向一致时成立：t统计量为正而你想检验“A大于B”，那么单尾p = 双尾p / 2；如果t为负而你检验的是“A大于B”，那么单尾p = 1 - 双尾p / 2。这个细节一旦弄反，结论直接翻车。
等方差时自由度是n1+n2-2；Welch检验的自由度用Welch-Satterthwaite近似公式计算，很可能是个小数，比如18.73。scipy的ttest_ind不直接返回自由度，想拿自由度可以用pingouin或手算：
n1, n2 = len(a), len(b) var1, var2 = np.var(a, ddof=1), np.var(b, ddof=1) df_welch = (var1/n1 + var2/n2)**2 / ((var1/n1)**2/(n1-1) + (var2/n2)**2/(n2-1)) print(df_welch)看到自由度是小数不要慌，这是Welch检验的正常现象，报告里写成t(18.73) = 2.31这样的形式就行。
3.2 z检验的两条路：手写公式和statsmodels
z检验在Python里最常用的入口是statsmodels，两组连续变量的均值比较：
from statsmodels.stats.weightstats import ztest z_stat, p_z = ztest(a, b, value=0, usevar='unpooled') print(f"z = {z_stat:.3f}, p = {p_z:.4f}")这里有个容易忽略的参数usevar，默认是'pooled'，也就是假设两组方差相等；如果两组方差差异比较明显，应该用'unpooled'，等价于手写公式里的独立方差版本。
手写z检验其实就三行，理解了才能不被封装函数牵着走：
mean_diff = np.mean(a) - np.mean(b) se = np.sqrt(np.var(a, ddof=1)/len(a) + np.var(b, ddof=1)/len(b)) z_manual = mean_diff / se p_manual = 2 * (1 - stats.norm.cdf(abs(z_manual))) print(f"z(manual) = {z_manual:.3f}, p = {p_manual:.4f}")这个公式的本质就是“差异除以标准误”，标准误衡量的是这个差异估计有多稳定。z检验和t检验的差别只在于p值用的是正态分布尾部分数还是t分布尾部分数，样本量一大，两者几乎没有区别。
比例检验是z检验的另一个常见应用场景，比如比较两个版本的转化率：
from statsmodels.stats.proportion import proportions_ztest z_prop, p_prop = proportions_ztest(count=[120, 98], nobs=[1000, 1000]) print(f"z(proportion) = {z_prop:.3f}, p = {p_prop:.4f}")3.3 效应量、置信区间与规范报告
p值只能回答“有没有差异”，回答不了“差异有多大”。尤其在样本量很大的时候，一个只有0.5元的差异也可能被标成显著，但业务上完全无所谓。所以规范的分析报告必须带上效应量和置信区间。
效应量最常用的是Cohen's d，公式是两组均值差除以合并标准差：
n1, n2 = len(a), len(b) var1, var2 = np.var(a, ddof=1), np.var(b, ddof=1) pooled_sd = np.sqrt(((n1-1)*var1 + (n2-1)*var2) / (n1+n2-2)) d = (np.mean(a) - np.mean(b)) / pooled_sd print(f"Cohen's d = {d:.3f}")经验参考：0.2算小效应，0.5算中等，0.8以上算大效应。这只是经验法则，不同领域标准会有差异。
均值差的95%置信区间则给出差异可能的范围，比单独一个点估计信息量大得多：
mean_diff = np.mean(a) - np.mean(b) se_welch = np.sqrt(var1/n1 + var2/n2) df_welch = (var1/n1 + var2/n2)**2 / ((var1/n1)**2/(n1-1) + (var2/n2)**2/(n2-1)) t_crit = stats.t.ppf(0.975, df_welch) ci_low = mean_diff - t_crit * se_welch ci_high = mean_diff + t_crit * se_welch print(f"95% CI = [{ci_low:.3f}, {ci_high:.3f}]")到这里，一个完整的结果表述长这样：t(18.73) = 2.31, p = 0.032, 95% CI [0.32, 4.18], Cohen's d = 0.87。以后写分析报告，照着这个格式来，别人想质疑你都难。
4. 完整实战：两个落地页的平均支付金额到底差多少
4.1 案例背景与数据模拟
看一个具体场景：某电商团队改版了落地页，A版是旧方案，B版是新方案。现在想对比两组访客的平均支付金额，评估新版到底有没有带来提升。真实支付金额数据往往右偏，比如多数人只买几十块，少数人买几千块，实际项目里可能要做对数变换或稳健处理。这里为了把检验流程讲清楚，用正态分布模拟数据，逻辑是一致的。
import numpy as np import pandas as pd from scipy import stats rng = np.random.default_rng(42) a = rng.normal(100, 15, 60) # A组：均值100，标准差15，60人 b = rng.normal(115, 18, 55) # B组：均值115，标准差18，55人我故意把B组均值设高15元，样本量各50多，这样差异稳定出现，方便演示；真实项目里差异可能是0.5元、2元，流程一模一样。
4.2 从描述统计到检验结论的完整代码
把前面的步骤组合成一个完整流程：
# 1. 数据整理 df = pd.DataFrame({'group': ['A']*len(a) + ['B']*len(b), 'value': np.concatenate([a, b])}) print(df.groupby('group')['value'].agg(['count', 'mean', 'std'])) # 2. 正态性与方差齐性检查 print('Shapiro A:', stats.shapiro(a)) print('Shapiro B:', stats.shapiro(b)) print('Levene:', stats.levene(a, b)) # 3. 独立样本t检验（Welch） t_stat, p_two = stats.ttest_ind(a, b, equal_var=False) print(f"Welch t = {t_stat:.3f}, p = {p_two:.4f}") # 4. z检验（大样本对比） from statsmodels.stats.weightstats import ztest z_stat, p_z = ztest(a, b, value=0, usevar='unpooled') print(f"z = {z_stat:.3f}, p = {p_z:.4f}") # 5. 效应量与置信区间 n1, n2 = len(a), len(b) var1, var2 = np.var(a, ddof=1), np.var(b, ddof=1) pooled_sd = np.sqrt(((n1-1)*var1 + (n2-1)*var2) / (n1+n2-2)) d = (np.mean(a) - np.mean(b)) / pooled_sd print(f"Cohen's d = {d:.3f}") mean_diff = np.mean(a) - np.mean(b) se_welch = np.sqrt(var1/n1 + var2/n2) df_welch = (var1/n1 + var2/n2)**2 / ((var1/n1)**2/(n1-1) + (var2/n2)**2/(n2-1)) t_crit = stats.t.ppf(0.975, df_welch) print(f"95% CI = [{mean_diff - t_crit*se_welch:.3f}, {mean_diff + t_crit*se_welch:.3f}]")固定随机种子后，本地跑出来的结果很稳定：t统计量在4.8左右，p远小于0.001，Cohen's d接近0.9，95%置信区间完全不包含0。这个结果的含义是：在样本数据里，B组的平均支付金额明显高于A组，这种差异用随机波动来解释是很牵强的。
为了对比，再生成一组“实际上没有差异”的数据：
a_no = rng.normal(100, 16, 60) b_no = rng.normal(102, 16, 55) t_no, p_no = stats.ttest_ind(a_no, b_no, equal_var=False) print(f"t = {t_no:.3f}, p = {p_no:.4f}")这时候p值一般会在0.3以上，压根进不了0.05的显著性门槛。注意，这不代表“两组没有差别”，只能说明“当前样本没有足够的证据证明有差别”。样本量不足的时候，真实差异也可能被判成不显著。
4.3 结果怎么讲给业务方听
统计结果不能只丢一个p值给业务方，否则对方根本不知道这个“显著”有多大意义。比较规范的汇报说法是这样：“在95%置信水平下，新版落地页的平均支付金额比旧版高出约15元，95%置信区间为[9.0, 21.0]，Cohen's d约0.9，属于大效应。从抽样数据看，新版带来提升的证据比较充分。”如果p不显著，更准确的说法是“当前样本量还不足以支持新版和旧版有差异的结论”，而不是直接说“新版没用”。
还有一点经常会有人踩雷：p值显著不等于实际重要。如果跑出来差异只有0.3元，虽然p小于0.001，业务上要为了这0.3元去改版吗？不一定。判断业务价值，要看置信区间下限是否超过成本线，要看效应量大小，还要看样本能不能代表目标用户群体。
5. 常见坑与排查技巧实录
5.1 p值最常见的三个误解
第一个误解是把p值当成“两组有差异的概率”。p值的准确定义是：假设两组真的没有差异，出现当前这么极端或更极端数据的概率。它说的是数据的概率，不是假设的概率。打个比方，你连续中了十次彩票，p值描述的是“在公平抽奖的前提下，连续十次中奖有多离谱”，而不是“这个抽奖绝对作弊的概率是多大”。
第二个误解是p大于0.05就代表“证明没有差异”。不显著只是证据不足，可能是因为真实差异确实很小，也可能是因为样本量不够大。A/B测试里最常见的悲剧就是跑了一周没显著，业务方直接下线新功能，但其实再跑两周可能就显著了。要搞清楚是“没有差异”还是“检测不出差异”，可以看统计功效。
第三个误解是显著就等于大。样本量大了以后，任何细小的差异都可能显著。所以永远要配套看效应量和置信区间，单独一个p值什么都不是。我在报告里一直主张“三件套”：p值、置信区间、效应量，缺一个都不算完整结论。
5.2 我从实战里踩过的六个坑
第一个坑：Excel宽格式直接跑检验。A组一列、B组一列看起来很方便，但一旦组别数量变多、样本量不一致，宽格式就会让代码变得很难写。更惨的是有人把两列数据直接用np.array拼接，导致样本错位。建议永远先转成长格式，再拆数组。
第二个坑：ttest_ind默认equal_var=True。如果你是直接复制的教程代码，很可能带着等方差假设跑学生t检验。方差不齐时，p值可能被放大或缩小，结论不稳定。我的习惯是直接用equal_var=False，省心。
第三个坑：单尾双尾搞混。建议在代码里明确写alternative参数，不要留下那行除以2的操作让别人猜。很多统计库（比如pingouin）直接支持alternative='greater'，明确写出检验方向，代码自解释性会好很多。
第四个坑：小样本跑ztest。样本量只有十几、二十几的时候，t分布和正态分布差得还很明显，用z检验会低估不确定性，p值可能偏小。除非你确确实实知道总体方差，否则小样本老老实实t检验。
第五个坑：把时间序列数据当独立样本。同一家门店连续N个月的销售额，前后月份高度相关，直接两组t检验等于把自相关当噪声，结论可信度很低。可以考虑配对检验、时间序列方法或混合效应模型。
第六个坑：反复试到p小于0.05才收手。删异常值、换检验方法、改分组方式，直到结果显著，这叫p-hacking，是严肃分析里的大忌。正确的做法是分析前就把清洗规则、假设检验和显著性阈值定好，事后只做一次检验，再看敏感性分析稳不稳定。
5.3 用pingouin一行输出完整统计报告
scipy适合用来理解原理，做实际报告的时候我经常会用pingouin，因为它一次性给出所有关键指标，省得自己拼装：
import pingouin as pg res = pg.ttest(a, b, paired=False, alternative='two-sided') print(res)输出里会直接给出T值、自由度dof、p值、95%置信区间CI95%、Cohen's d、贝叶斯因子BF10、统计功效power。这些字段齐全，复制到报告里就能用。尤其是自由度，scipy不直接给，而pingouin帮你算好Welch自由度，省事很多。我的工作流是：理解阶段用scipy手搓一遍，输出阶段用pingouin批量生成报告。
6. 这些情况下，你别用t/z检验
6.1 不满足正态假设：考虑Mann-Whitney U检验
当数据严重偏态、样本量又小，或者数据是有序等级数据的时候，t检验的正态假设会比较勉强。这时候可以考虑Mann-Whitney U检验，也叫Wilcoxon秩和检验。它不要求正态性，检验的是两组数据的分布位置是否不同，用的是秩而不是原始数值。
u_stat, p_u = stats.mannwhitneyu(a, b, alternative='two-sided') print(f"U = {u_stat:.3f}, p = {p_u:.4f}")不过我不建议把所有非正态数据都直接扔给它。如果数据基本符合正态或接近正态，t检验的统计功效更高，也就是更有可能发现真实差异。非参数检验是备选方案，不是万能钥匙。
6.2 组数超过两个：先ANOVA再Tukey
三个以上的组别对比，千万不能两两做t检验。假设有3个组，要做3次比较，即使各组真的没有差异，至少出现一次假阳性的概率大约是1-(0.95)³=14.3%；组数越多，这个概率越高。正确的做法是先做方差分析，也就是ANOVA，看整体有没有差异，显著之后再做事后多重比较。
from scipy import stats # 假设有a、b、c三组数据 f_stat, p_f = stats.f_oneway(a, b, c) print(f"F = {f_stat:.3f}, p = {p_f:.4f}") from statsmodels.stats.multicomp import pairwise_tukeyhsd tukey = pairwise_tukeyhsd(np.concatenate([a, b, c]), groups) print(tukey)Tukey HSD会给出两两组别的均值差和调整过显著性水平的结论，比盲目t检验靠谱得多。
6.3 换一种决策语言：贝叶斯因子
如果你对频率学派的p值体系一直觉得绕，可以试试贝叶斯因子的角度。pingouin里的ttest会顺便输出BF10，也就是贝叶斯因子。BF10大于3一般算是中等证据支持有差异，大于10算是强证据；小于1/3则支持无差异。这个指标最直观的好处是：它允许你说“数据更支持哪个假设”，而不是晦涩的“拒绝零假设”。
import pingouin as pg res = pg.ttest(a, b, paired=False) print(res['BF10'])贝叶斯方法也有自己的坑，比如先验选择会影响结果，但作为t检验的补充视角，尤其在业务汇报里，它往往比p值更容易让非技术的人理解。
6.4 一张表：不同场景该用哪种检验
| 场景 | 是否独立 | 分布假设 | 推荐检验 | Python入口 |
|---|---|---|---|---|
| 两组连续数据，方差未知，正态可接受 | 独立 | 近似正态 | t检验（默认Welch） | scipy.stats.ttest_ind |
| 两组连续数据，大样本 | 独立 | 中心极限定理保证均值近似正态 | z检验 | statsmodels.stats.weightstats.ztest |
| 两组转化率/比例 | 独立 | 两组样本量都够（比如np≥10） | 比例z检验 | statsmodels.stats.proportion.proportions_ztest |
| 两组严重偏态、样本量小 | 独立 | 不要求正态 | Mann-Whitney U | scipy.stats.mannwhitneyu |
| 同一批人前后测 | 配对 | 差值近似正态 | 配对t检验 | scipy.stats.ttest_rel |
| 三组及以上 | 独立 | 近似正态，方差可接受 | ANOVA + 事后多重比较 | scipy.stats.f_oneway + pairwise_tukeyhsd |
这张表只是路线图，真正决定检验方式的是你的数据生成过程，也就是实验设计。看到两组数据先别急着敲代码，先问自己：样本独不独立？抽样有没有偏差？样本能不能代表总体？这些问题想不清楚，用什么检验都是白搭。
我自己做了这么些年数据分析，最大的体会是假设检验翻车，八成不是公式算错，而是业务场景没想清楚。两个样本到底独不独立？抽样过程有没有引入偏差？样本到底能不能代表总体？这些前置问题想明白了，写代码反而只要几分钟。还有一点，不要迷信p值的0.05红绿灯，同一个数据换一批样本，结果可能就变了，多跑几次敏感性分析，看看结论稳不稳，比盯着一个p值重要得多。希望这篇内容能让你少走点弯路，下回再有人问你t检验和z检验的区别，你也能拎得清。
