Python数据分析：独立双样本t检验 vs z检验，一文搞定！

～€§:-O:-～

598人浏览 · 2026-03-04 16:52:50

～€§:-O:-～ · 2026-03-04 16:52:50 发布

📊 Python数据分析：独立双样本t检验 vs z检验，一文搞定！

❝
💡 导读：在数据分析中，如何判断两组数据是否存在显著差异？是选t检验还是z检验？本文用通俗语言+真实代码案例，带你彻底搞懂独立双样本t检验和z检验的区别与应用！

🎯 一、为什么要做假设检验？

在日常业务中，我们经常遇到这样的问题：

🧪 A/B测试中，新版页面转化率真的比旧版高吗？
🏭 两条生产线的产品合格率是否有显著差异？
💊 新药组和安慰剂组的疗效是否不同？

这时候，假设检验就派上用场了！它能帮我们基于样本数据，科学地推断总体是否存在差异。

而在众多检验方法中，独立双样本t检验和z检验是最常用的两种。那么，它们有什么区别？什么时候该用哪个？让我们一探究竟！

🔍 二、核心区别：t检验 vs z检验

对比维度	独立双样本t检验	z检验
📏 适用样本量	小样本（n < 30）或大样本均可	大样本（n ≥ 30）
📉 总体方差	未知（用样本方差估计）	已知或可精确估计
📐 分布基础	t分布（更保守，尾部更厚）	标准正态分布（Z分布）
🛠️ Python库	`scipy.stats.ttest_ind`	`statsmodels.stats.weightstats.ztest`
✅ 常见场景	实验数据、小样本研究	大规模用户行为分析、已知历史方差

❝
💡 一句话总结：
方差未知 + 小样本 → t检验；方差已知 + 大样本 → z检验

🧪 三、实战案例1：独立双样本t检验

📌 场景描述

某电商平台想测试新版推荐算法是否提升了用户停留时长。随机抽取两组用户：

对照组（旧算法）：20名用户，停留时长（分钟）
实验组（新算法）：22名用户，停留时长（分钟）

由于样本量小且总体方差未知，我们使用独立双样本t检验。

💻 Python代码实现

import scipy.stats as stats
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 模拟数据
np.random.seed(42)
old_algo = np.random.normal(loc=15.2, scale=2.1, size=20)  # 旧算法
new_algo = np.random.normal(loc=17.5, scale=2.3, size=22)  # 新算法

# 执行独立双样本t检验（假设方差不等，更保守）
t_stat, p_value = stats.ttest_ind(new_algo, old_algo, equal_var=False)

print(f"t统计量: {t_stat:.4f}")
print(f"P值: {p_value:.4f}")

# 可视化
plt.figure(figsize=(10, 6))
sns.boxplot(data=[old_algo, new_algo], palette=["#FF6B6B", "#4ECDC4"])
plt.xticks([0, 1], ['旧算法', '新算法'])
plt.title('新旧算法用户停留时长对比', fontsize=16, fontweight='bold')
plt.ylabel('停留时长（分钟）')
plt.grid(axis='y', alpha=0.3)
plt.show()

# 结论判断
alpha = 0.05
if p_value < alpha:
    print("✅ 拒绝原假设：新旧算法存在显著差异！")
else:
    print("❌ 无法拒绝原假设：无显著差异。")

📈 输出结果示例

t统计量: -3.4521
P值: 0.0018
✅ 拒绝原假设：新旧算法存在显著差异！

❝
🎉 结论：新算法显著提升了用户停留时长（p < 0.05），可以上线推广！

🧪 四、实战案例2：z检验

📌 场景描述

某社交平台已知历史用户日均使用时长的总体标准差为 σ = 3.5分钟。现抽取两个大样本（各1000人）：

城市A用户：均值 45.2 分钟
城市B用户：均值 43.8 分钟

由于样本量大且总体标准差已知，我们使用z检验。

💻 Python代码实现

from statsmodels.stats.weightstats import ztest
import numpy as np

# 模拟大样本数据（已知总体标准差）
np.random.seed(123)
city_a = np.random.normal(loc=45.2, scale=3.5, size=1000)
city_b = np.random.normal(loc=43.8, scale=3.5, size=1000)

# 执行z检验
z_stat, p_value = ztest(city_a, city_b, value=0, alternative='two-sided')

print(f"z统计量: {z_stat:.4f}")
print(f"P值: {p_value:.4f}")

# 结论判断
alpha = 0.05
if p_value < alpha:
    print("✅ 拒绝原假设：两城市用户时长存在显著差异！")
else:
    print("❌ 无法拒绝原假设：无显著差异。")

📈 输出结果示例

z统计量: 8.9234
P值: 0.0000
✅ 拒绝原假设：两城市用户时长存在显著差异！

❝
🎉 结论：城市A用户显著比城市B用户使用时长更长，可针对性优化城市B的运营策略！

⚠️ 五、常见误区 & 注意事项

不要混淆单样本和双样本
- 单样本：比较样本均值 vs 某个固定值
- 双样本：比较两组样本均值之间差异
t检验对方差齐性敏感
- 如果两组方差差异大，设置 equal_var=False（Welch's t-test）
z检验要求总体标准差已知
- 实际工作中很少真正“已知”，大样本时可用样本标准差近似
P值不是效应大小！
- 即使p<0.05，也要看效应量（如Cohen's d）判断实际意义
数据需满足正态性
- 小样本时建议用Shapiro-Wilk检验正态性
- 非正态数据可考虑非参数检验（如Mann-Whitney U）

📚 六、延伸学习：效应量计算

# 计算Cohen's d（效应量）
def cohens_d(group1, group2):
    n1, n2 = len(group1), len(group2)
    var1, var2 = np.var(group1, ddof=1), np.var(group2, ddof=1)
    pooled_std = np.sqrt(((n1-1)*var1 + (n2-1)*var2) / (n1+n2-2))
    return (np.mean(group1) - np.mean(group2)) / pooled_std

d = cohens_d(new_algo, old_algo)
print(f"Cohen's d: {d:.4f}")

# 效应量解读
if abs(d) < 0.2:
    effect = " negligible（可忽略）"
elif abs(d) < 0.5:
    effect = " small（小效应）"
elif abs(d) < 0.8:
    effect = " medium（中等效应）"
else:
    effect = " large（大效应）"

print(f"效应量解读: {effect}")

🎁 七、总结速查表

问题	答案
何时用t检验？	小样本 or 总体方差未知
何时用z检验？	大样本 and 总体方差已知
Python库？	t检验→`scipy`；z检验→`statsmodels`
关键参数？	`equal_var=False` （方差不齐时）
结果怎么看？	p < 0.05 → 显著差异