Python实现分类因变量与数值变量的相关性及组间差异分析

你只需要用到pandas和scipy两个常用库即可完成需求，核心分两步：先做分组描述性统计直观查看差异，再用统计检验验证差异的显著性。

前置准备 #

默认你已经将数据集读取为pandas DataFrame，变量名为df。

步骤1：直观查看分组差异 #

直接按Category分组统计三个数值字段的核心指标，就能初步看到不同类别的数值差异：

df.groupby('Category')[['Value1', 'Value2', 'Value3']].agg(['mean', 'std', 'count'])

运行后直接可以看到A类的Value1均值是否高于其他类别。

步骤2：统计检验验证显著性 #

场景1：验证某数值字段在所有类别间是否存在整体差异化 #

如果你的数值字段基本符合正态分布、各组方差齐，用单因素方差分析（ANOVA）；否则用非参数的Kruskal-Wallis H检验，以Value1为例：

from scipy import stats

# 提取四个类别的Value1数据
g_a = df[df['Category'] == 'A']['Value1']
g_b = df[df['Category'] == 'B']['Value1']
g_c = df[df['Category'] == 'C']['Value1']
g_d = df[df['Category'] == 'D']['Value1']

# ANOVA检验
f_stat, anova_p = stats.f_oneway(g_a, g_b, g_c, g_d)
print(f"ANOVA检验p值：{anova_p:.4f}")  # p<0.05则说明Value1在不同类别间存在显著差异

# 非正态场景用Kruskal-Wallis检验
h_stat, kw_p = stats.kruskal(g_a, g_b, g_c, g_d)
print(f"Kruskal-Wallis检验p值：{kw_p:.4f}")

场景2：专门验证A类的Value1是否显著高于其他所有类别 #

直接将非A类的所有数据合并为一组，做单侧检验即可：

g_non_a = df[df['Category'] != 'A']['Value1']

# 正态+方差齐用单侧独立样本t检验（alternative='greater'表示验证前者大于后者）
t_stat, t_p = stats.ttest_ind(g_a, g_non_a, alternative='greater', equal_var=True)
print(f"单侧t检验p值：{t_p:.4f}") # p<0.05则A类Value1显著高于其他类别

# 非正态场景用单侧Mann-Whitney U检验
u_stat, u_p = stats.mannwhitneyu(g_a, g_non_a, alternative='greater')
print(f"单侧Mann-Whitney U检验p值：{u_p:.4f}")

批量处理三个字段 #

如果要对Value1/Value2/Value3都做上述检验，写个循环遍历字段名即可，不用重复写代码。

内容的提问来源于stack exchange，提问作者Aiden Blake