本文介绍了如何在 Python 中使用循环结构，高效地对多个向量进行统计比较，以避免冗余代码。通过将向量数据存储在列表中，并结合 scipy.stats.wilcoxon 函数，可以简洁地实现 Wilcoxon 符号秩检验等统计分析，极大地提高了代码的可维护性和可扩展性。
在数据分析和科学计算中，经常需要对大量数据进行重复性的统计分析。例如，比较不同条件下同一指标的多组测量值。如果手动编写每个比较的统计代码，将会非常繁琐且容易出错。Python 的循环结构提供了一种优雅的解决方案，可以自动化地完成这些任务。
以下将演示如何使用 for 循环结合 scipy.stats.wilcoxon 函数，对多个向量进行 Wilcoxon 符号秩检验。
1. 数据准备
立即学习“Python免费学习笔记（深入）”；
首先，假设我们有两组数据，每组包含多个向量，向量之间需要两两进行比较。 为了方便循环处理，将这些向量存储在列表中。
import scipy.stats as stats hc_mcp = [0.45, 0.43, 0.46, 0.46, 0.45, 0.39, 0.48, 0.47, 0.50, 0.45, 0.47, 0.47, 0.46] hc_pct = [0.44, 0.48, 0.45, 0.46, 0.47, 0.37, 0.56, 0.46, 0.49, 0.53, 0.46, 0.47, 0.48] hc_gcc = [0.51, 0.56, 0.57, 0.54, 0.55, 0.58, 0.51, 0.54, 0.55, 0.54, 0.55, 0.53, 0.54] hc_bcc = [0.56, 0.62, 0.64, 0.63, 0.60, 0.65, 0.60, 0.64, 0.64, 0.61, 0.63, 0.58, 0.63] hc_scc = [0.68, 0.73, 0.74, 0.71, 0.72, 0.73, 0.70, 0.72, 0.72, 0.72, 0.71, 0.67, 0.73] tw_mcp = [0.47, 0.46, 0.44, 0.48, 0.45, 0.45, 0.46, 0.44, 0.47, 0.46, 0.50, 0.49, 0.48] tw_pct = [0.46, 0.48, 0.45, 0.48, 0.47, 0.45, 0.46, 0.43, 0.43, 0.49, 0.49, 0.47, 0.44] tw_gcc = [0.56, 0.56, 0.55, 0.57, 0.52, 0.56, 0.53, 0.55, 0.55, 0.55, 0.56, 0.55, 0.56] tw_bcc = [0.62, 0.63, 0.60, 0.63, 0.61, 0.63, 0.62, 0.63, 0.63, 0.62, 0.63, 0.61, 0.65] tw_scc = [0.71, 0.70, 0.70, 0.71, 0.68, 0.74, 0.72, 0.73, 0.70, 0.68, 0.69, 0.70, 0.71] # 将向量存储到列表中 list1 = [hc_mcp, hc_pct, hc_gcc, hc_bcc, hc_scc] list2 = [tw_mcp, tw_pct, tw_gcc, tw_bcc, tw_scc]
2. 使用循环进行统计比较
接下来，使用 for 循环遍历列表，对每一对向量进行 Wilcoxon 符号秩检验，并将结果（例如 p 值）存储在一个新的列表中。
ri_hc_pvals = []
for ind in range(len(list1)):
# 进行 Wilcoxon 符号秩检验
res = stats.wilcoxon(list1[ind], list2[ind])
# 将 p 值添加到结果列表中
ri_hc_pvals.append(res.pvalue)
# 打印结果
print(ri_hc_pvals)代码解释：
- stats.wilcoxon(list1[ind], list2[ind]): scipy.stats.wilcoxon 函数用于执行 Wilcoxon 符号秩检验，比较 list1 和 list2 中索引为 ind 的向量。
- res.pvalue: wilcoxon 函数返回一个包含检验结果的对象，res.pvalue 属性表示检验的 p 值。
- ri_hc_pvals.append(res.pvalue): 将计算得到的 p 值添加到 ri_hc_pvals 列表中。
3. 总结与注意事项
- 数据顺序： 确保需要比较的向量在两个列表中处于相同的位置。如果向量的顺序不一致，比较结果将是错误的。
- 统计方法选择： scipy.stats 模块提供了多种统计检验方法，根据数据的特点和研究目的选择合适的检验方法。 例如，如果数据不满足 Wilcoxon 符号秩检验的假设，可以考虑使用其他非参数检验方法。
- 错误处理： 在实际应用中，建议添加错误处理机制，例如检查列表长度是否一致，以及处理可能出现的异常情况。
- 代码可读性： 为了提高代码的可读性，可以使用有意义的变量名，并添加适当的注释。
通过使用循环结构，可以有效地简化统计比较的代码，提高代码的可维护性和可扩展性。 这种方法适用于各种需要对大量数据进行重复性统计分析的场景。
