python计算方差代码_方差分析python实现
单因素方差分析
在此之间我们先导入数据，
案例：我们探究施肥与否是否对植物的生长有影响，试验为： - 对照组：清水 - 实验组： 某肥料四个浓度梯度，分别是A,B,C,D，施肥一段时间之后测量树高(要控制其他变量保持一致，比如施肥之前的树高要基本保持一致，生长势基本保持一致等等)
在方差分析满足，独立性，正态性，方差齐性，虽然没有满足方差齐性也可以进行非参数的检验，下面我们开始对数据进行处理
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
df = {baseline:list(np.random.normal(10, 5, 10)),
treat1:list(np.random.normal(15, 5, 10)),
treat2:list(np.random.normal(20, 5, 10)),
treat3:list(np.random.normal(30, 5, 10)),
treat4:list(np.random.normal(31, 5, 10))}
data = pd.DataFrame(df)
我们看一下随机生成的数据长什么样
单因素方差分析 在此之间我们先导入数据， 案例：我们探究施肥与否是否对植物的生长有影响，试验为： - 对照组：清水 - 实验组： 某肥料四个浓度梯度，分别是A,B,C,D，施肥一段时间之后测量树高(要控制其他变量保持一致，比如施肥之前的树高要基本保持一致，生长势基本保持一致等等) 在方差分析满足，独立性，正态性，方差齐性，虽然没有满足方差齐性也可以进行非参数的检验，下面我们开始对数据进行处理 import numpy as np import pandas as pd import matplotlib.pyplot as plt df = {baseline:list(np.random.normal(10, 5, 10)), treat1:list(np.random.normal(15, 5, 10)), treat2:list(np.random.normal(20, 5, 10)), treat3:list(np.random.normal(30, 5, 10)), treat4:list(np.random.normal(31, 5, 10))} data = pd.DataFrame(df) 我们看一下随机生成的数据长什么样