Python 中每一行的两个样本 t 检验

Question

我正在尝试进行双样本 t 检验，以检查两个数据集之间的均值是否存在显着差异。

我有两个数据集，每个数据集有 5 个试验，每个试验有 3 个特征。每个 Trial 都有不同的唯一标签，但 3 个特征（X1、X2、X3 全部相同）。在每个单独的试验中，我们都在测量 3 个特征，测量值显示在下方。我正在尝试计算两个数据集中每个特征的平均差异。

这是我从 SQL 获取数据后的处理方式。

数据集 1：

T1  X1   0.93
T1  X2   0.3
T1  X3   -2.9
T2  X1   1.3
T2  X2   0.8
T2  X3   1.9
T3  X1   2.3
T3  X2   -1.8
T3  X3   0.9
T4  X1   0.3
T4  X2   0.8
T4  X3   0.9
T5  X1   0.3
T5  X2   0.8
T5  X3   0.9

数据集 2：

T10 X1  1.3
T10 X2  -2.8
T10 X3  0.09
T11 X1  3.3
T11 X2  0.8
T11 X3  1.9
T12 X1  0.3
T12 X2  -4.8
T12 X3  2.9
T13 X1  1.3
T13 X2  2.8
T13 X3  0.19
T14 X1  2.3
T14 X2  0.08
T14 X3  -0.9

这就是我希望输出的样子，我希望将 ttest 应用于每个特征，这样我就可以获得每个特征的 p 值

Feature  Mean-DataSET1  Mean-DataSET2  P-value 
X1
X2
X3

当我做 stats.ttest_ind(set1['value'], set2['value']).pvalue 时，我得到一个 pvalue

谢谢！

Answer 1

如果我理解你的问题是正确的，你可以使用 Groupby 获得每个特征的平均值，然后在一个数据集中获得每个特征的 p 值。所以首先我会创建数据集，

a = {'Feature': ['X1','X2','X3','X4','X5']}
Results = pd.DataFrame(data = a)
Results.set_index('Feature')

然后要获取特征的平均值，您可以使用 group by 并将结果发送到这个新数据集，

Results['Mean-DataSET1'] = df1.groupby('feature')['value'].transform('mean')
Results['Mean-DataSET2'] = df2.groupby('feature')['value'].transform('mean')

现在据我所知 p-tests returns 整列的值所以我会把我的两个值列放在一个地方，然后将我的数据拆分成临时数据集并获得 p 值其中，

df['value2'] = df2['value']

xone = df[(df['col2'] == 'X1')]
xtwo = df[(df['col2'] == 'X2')] 
xthree = df[(df['col2'] == 'X3')] 
xfour = df[(df['col2'] == 'X4')] 
xfive = df[(df['col2'] == 'X5')]

这样您就可以像以前一样执行相同的功能并获得所有值，

p_vals = ttest_ind(xone['value'], xone['value2']).pvalue, ttest_ind(xtwo['value'], xtwo['value2']).pvalue, ttest_ind(xthree['value'], xthree['value2']).pvalue, ttest_ind(xfour['value'], xfour['value2']).pvalue, ttest_ind(xfive['value'], xfive['value2']).pvalue

Results['P_value'] = p_vals

因此，您的数据子集的示例输出如下：

    Feature mean1   mean2   P_value
    X1  1.510000    1.633333    0.905175
    X2  -0.233333   -2.266667   0.326891
    X3  -0.033333   1.630000    0.377542

这不是最优雅的答案，但目前应该没问题，因为您只有小数据集！

Answer 2

我将上面的输出写入了两个制表符分隔的文件，我在下面阅读了它，并添加了一列来指示数据框或 table 它来自：

import pandas as pd
from scipy.stats import ttest_ind
t1 = pd.read_csv("../t1.csv",names=['V1','V2','V3'],sep="\t")
t1['data'] = 'data1'
t2 = pd.read_csv("../t2.csv",names=['V1','V2','V3'],sep="\t")
t2['data'] = 'data2'

    V1  V2  V3  data
0   T1  X1  0.93    data1
1   T1  X2  0.30    data1
2   T1  X3  -2.90   data1
3   T2  X1  1.30    data1

然后我们将它们连接起来并直接计算平均值：

df = pd.concat([t1,t2])
res = df.groupby("V2").apply(lambda x:x['V3'].groupby(x['data']).mean())
data    data1   data2
V2      
X1  1.026   1.700
X2  0.180   -0.784
X3  0.340   0.836

p.value 需要在应用中进行更多编码：

res['pvalue'] = df.groupby("V2").apply(lambda x:
                                       ttest_ind(x[x['data']=="data1"]["V3"],x[x['data']=="data2"]["V3"])[1])
data    data1   data2   pvalue
V2          
X1  1.026   1.700   0.316575
X2  0.180   -0.784  0.521615
X3  0.340   0.836   0.657752

您可以随时选择执行 res.reset_index() 以获得 table..

Python 中每一行的两个样本 t 检验

Two sample t-test for every individual row in Python

python

pandas

scipy

statistics

t-test