Python统计实战：从EEG分析到AB测试的差异检验指南

当我们需要判断两组数据是否存在显著差异时，独立样本T检验是最常用的统计方法之一。但很多数据分析师只停留在函数调用层面，忽略了背后的统计假设和适用场景。本文将带你深入理解scipy.stats.ttest_ind的应用精髓，通过神经科学和互联网产品两个截然不同的案例，掌握差异检验的全流程方法论。

1. 理解独立样本T检验的核心假设

独立样本T检验（Independent Samples t-test）用于比较两组独立数据的均值差异。但在调用stats.ttest_ind之前，必须验证三个关键前提条件：

1. 独立性：两组数据必须来自完全独立的样本
2. 正态性：数据应近似服从正态分布（在样本量较大时可放宽）
3. 方差齐性：两组数据的方差应大致相等

其中方差齐性常被忽视，却直接影响检验结果的准确性。我们可以用Levene检验来验证这一假设：

python复制from scipy import stats

# 生成模拟数据
group_A = stats.norm.rvs(loc=50, scale=10, size=100)
group_B = stats.norm.rvs(loc=55, scale=12, size=120)

# 方差齐性检验
levene_result = stats.levene(group_A, group_B)
print(f"Levene检验p值: {levene_result.pvalue:.4f}")

if levene_result.pvalue > 0.05:
    ttest_result = stats.ttest_ind(group_A, group_B, equal_var=True)
else:
    ttest_result = stats.ttest_ind(group_A, group_B, equal_var=False)

注意：当样本量差异较大时（如一组100个样本，另一组30个），建议使用Welch's t-test（equal_var=False），它对方差齐性的要求更宽松。

2. 神经科学应用：癫痫EEG信号分析

在癫痫研究中，EEG信号分析是重要的诊断手段。假设我们有一组癫痫患者和健康对照组的脑电数据，需要比较特定脑区活动的差异。

2.1 数据准备与探索

典型的EEG数据是多通道时间序列，我们需要先进行预处理：

python复制import numpy as np
import matplotlib.pyplot as plt

# 加载数据
eeg_epilepsy = np.load('eeg_epilepsy.npy')  # 癫痫组数据 (n_samples, n_channels, n_timepoints)
eeg_control = np.load('eeg_control.npy')    # 对照组数据

# 提取特定频段功率（例如alpha波：8-12Hz）
def extract_alpha_power(eeg_data):
    # 实际应用中这里会有傅里叶变换等处理
    return np.mean(eeg_data[:, :, 100:200], axis=2)  # 简化示例

alpha_epilepsy = extract_alpha_power(eeg_epilepsy)
alpha_control = extract_alpha_power(eeg_control)

2.2 通道级差异检验

EEG通常有多个通道（电极位置），我们需要对每个通道分别检验：

python复制# 初始化结果存储
p_value