未记录事实核验 · 状态：现行内容

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

warning 本文适用范围与待维护项

本节是统计工具概览及入门演示：实际代码使用pandas整理内置数据、NumPy计算均值、SciPy做t检验，并分别用Matplotlib和seaborn绘制箱线图。销量为内置教学假设数据，并非真实广告效果证据；ttest_ind演示须将两组视为独立样本，其默认设置假定等方差，样本量较小时还需关注正态性条件。若广告前后记录来自同一对象，应采用配对分析，不能直接套用本例；两组差异本身不能证明广告造成销量变化。

🛠️ 统计学在数据分析中的应用（Statistics in Data Analysis）

abstract 📋 本节概览

🎯 学习目标：了解统计学在各类数据分析场景中的实际作用
📚 前置知识：统计学与数据分析的关系、描述性统计
⏱️ 预计用时：10分钟

学习目标

note 📖 **统计学在数据分析里怎么用？**

统计学是"数据分析的工具箱"，贯穿数据收集、整理、分析、建模、决策等每一步。

生活例子：

电商分析用户留存、金融做风险建模、医学做药物实验，都离不开统计学。

工具与练习

用pandas、numpy做数据整理和描述统计
用scipy做独立样本t检验（条件见上方说明）
用matplotlib、seaborn做可视化

import numpy as np
import pandas as pd
from scipy.stats import ttest_ind
import matplotlib.pyplot as plt
import seaborn as sns
# 假设有两组销量数据
before = [100, 102, 98, 101, 99, 97, 100]
after = [110, 115, 112, 118, 117, 113, 116]
# 数据整理与描述统计：一行代表一次独立观测，组标签仅用于教学
df = pd.DataFrame({"group": ["before"] * len(before) + ["after"] * len(after),
                   "sales": before + after})
print(df.groupby("group")["sales"].describe())
print("两组均值:", np.mean(before), np.mean(after))
# t检验
print(ttest_ind(before, after))
# 可视化
plt.boxplot([before, after], labels=['广告前', '广告后'])
plt.show()
# 同一份教学数据的seaborn绘图练习
sns.boxplot(data=df, x='group', y='sales')
plt.show()

🔗 相关知识

#统计学 #数据分析 #应用 #基础