什么是Pywayne Statistics
Pywayne Statistics 是一个功能全面的统计检验库，专为假设检验、A/B测试和数据分析而设计。该库覆盖了从基础的正态性检验到复杂的时间序列分析等37种以上的统计方法，为数据科学家和研究人员提供了统一的接口来处理各类统计问题。其核心优势在于将不同类别的统计检验进行了模块化组织，使得用户能够快速找到适合特定场景的测试方法。无论是验证数据分布特性、比较组间差异，还是评估变量间的相关性，Pywayne Statistics 都能提供标准化的解决方案。所有测试方法均返回结构化的 TestResult 对象，包含p值、检验统计量、效应量等关键信息，极大简化了结果解读流程。
核心功能特点
- 支持37种以上统计检验方法，涵盖正态性、位置、相关性、时间序列和模型诊断五大类
- 统一TestResult接口返回标准化结果，包含p值、检验统计量、效应量和置信区间
- 内置多重检验校正建议，支持FDR-BH等多种p值调整方法
- 提供完整的测试选择指南，根据样本大小和数据特征推荐合适检验方法
- 集成常见应用场景模板，如数据质量检查、A/B测试分析和回归诊断
适用场景
Pywayne Statistics 特别适合需要系统化执行统计检验的场景。在数据预处理阶段，它可以帮助用户快速验证数据是否符合正态分布（如使用Shapiro-Wilk检验），从而决定后续采用参数检验还是非参数方法。对于产品团队而言，该库是进行A/B测试的理想工具——先通过正态性检验判断数据分布，再自动选择合适的t检验或Mann-Whitney U检验来评估两组差异是否显著。在金融和经济领域，TimeSeriesTests模块提供的ADF单位根检验和KPSS平稳性检验能有效识别时间序列数据的稳定性，而Granger因果检验则可探索变量间的领先滞后关系。此外，ModelDiagnostics模块为回归分析提供了完整的诊断工具链，包括Breusch-Pagan异方差检验、Durbin-Watson自相关检验和VIF多重共线性检测，确保模型满足经典线性回归假设。