如何使用np.vectorize在多个3D数组上执行t检验

问题背景 #

有三个维度完全相同的3D数组，需要对每个相同位置的三个元素执行单样本t检验，生成与原数组维度一致的结果数组。尝试用np.vectorize实现时出现ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()错误。

错误原因分析 #

之前的代码存在两个核心问题：

• 直接将stats.ttest_1samp(a,b,c, mean = 0)的结果传给np.vectorize，不符合vectorize的使用逻辑——它需要接收函数对象，而非函数的调用结果。
• 自定义的t_func中stats.ttest_1samp()未传入必要参数，且未将每个位置的三个标量元素组合成t检验所需的样本数组；另外ttest_1samp的参数是popmean而非mean。

正确实现步骤 #

1. 导入库并创建测试数组 #

import numpy as np
import scipy.stats as stats

# 创建测试用3D数组
a = np.array([[[1,2,3,4], [5,6,7,8], [9,10,11,12]]])
b = np.array([[[13,14,15,4], [1,6,9,10], [1,0,.5, .2]]])
c = np.array([[[0,0,1,2], [1,1,3,4], [4,1,11,17]]])

2. 定义用于vectorize的t检验函数 #

该函数接收三个标量（对应三个数组同一位置的元素），将它们组合成样本数组后执行单样本t检验，返回指定统计量（示例返回t值，可改为返回p值）：

def t_test_scalar(x, y, z, popmean=0):
    # 将三个标量组合成样本数组
    sample = np.array([x, y, z])
    # 执行单样本t检验
    t_stat, p_val = stats.ttest_1samp(a=sample, popmean=popmean)
    # 返回t统计量，若需要p值则返回p_val
    return t_stat

3. 使用np.vectorize执行批量计算 #

# 向量化定义好的函数
vectorized_t_test = np.vectorize(t_test_scalar)

# 传入三个数组，得到结果数组
result_t = vectorized_t_test(a, b, c, popmean=0)

# 查看结果，维度与原数组一致
print(result_t)

4. 同时获取t值和p值数组 #

如果需要同时得到t统计量和p值的数组，可修改函数返回元组，vectorize会自动拆分出两个数组：

def t_test_scalar_both(x, y, z, popmean=0):
    sample = np.array([x, y, z])
    return stats.ttest_1samp(a=sample, popmean=popmean)

vectorized_t_test_both = np.vectorize(t_test_scalar_both)
result_t, result_p = vectorized_t_test_both(a, b, c, popmean=0)

print("t统计量数组：")
print(result_t)
print("\np值数组：")
print(result_p)

更高效的替代方案 #

np.vectorize本质是循环封装，并非真正的向量化运算。若数组规模较大，建议用numpy广播机制重组数组后批量计算，性能更优：

# 堆叠数组，新增维度用于存放每个位置的三个元素
stacked = np.stack([a, b, c], axis=-1)
# 沿新增维度执行t检验，直接得到结果数组
result_t_fast, result_p_fast = stats.ttest_1samp(stacked, popmean=0, axis=-1)

内容的提问来源于stack exchange，提问作者Aswiderski