（6718期）Pywayne Statistics – 37+统计检验·统一接口·全场景覆盖

37+统计检验·统一接口·全场景覆盖 一站式统计检验库，涵盖正态性、位置、相关、时序和模型诊断等37+种检验方法，统一返回接口支持A/B测试、数据质量检查和回归模型验证。 使用说明 核心用法 pywayne-statistics 是一款面向假设检验与数据分析的综合型统计库，封装了37种以上经典统计检验方法，覆盖五大核心模块： NormalityTests（正态性检验）：Shapiro-Wilk、Anderson-Darling、Jarque-Bera、K-S检验等8种方法，适配不同样本量场景 LocationTests（位置检验）：单/双样本t检验、配对t检验、单因素ANOVA、Mann-Whitney U、Kruskal-Wallis等7种参数与非参数方法 CorrelationTests（相关检验）：Pearson、Spearman、Kendall tau三种相关系数，以及卡方独立性、Fisher精确检验、McNemar检验 TimeSeriesTests（时序检验）：ADF、KPSS单位根检验，Ljung-Box自相关检验，Granger因果检验，Engle-Granger协整检验等8种方法 ModelDiagnostics（模型诊断）：Breusch-Pagan异方差检验、Durbin-Watson自相关检验、VIF多重共线性诊断等 所有方法均返回统一的TestResult对象，包含pvalue、statistic、rejectnull、confidenceinterval、effectsize等标准化字段，大幅降低多方法协作时的接口适配成本。 显著优点 接口高度统一：无论调用何种检验，返回结构完全一致，便于批量处理与结果聚合 场景覆盖全面：从基础A/B测试到高阶时序分析、回归诊断，满足数据科学全链路需求 智能方法选择：文档内置详细的样本量-方法对照表（如n<30推荐Shapiro-Wilk），降低误用风险 即用型工作流：提供数据质量检查、A/B测试完整流程、回归诊断等可直接复用的代码模板 与NumPy生态无缝集成：原生支持np.ndarray与Python列表输入 潜在缺点与局限性 依赖外部库：多重检验校正（如FDR）需额外调用statsmodels，未内建实现 缺乏可视化：仅输出数值结果，无内置诊断图（如QQ图、残差图） 文档深度有限：部分高级检验（如ARCH效应检验）的参数调优说明较简略 无并行计算支持：大规模蒙特卡洛模拟或批量检验时性能受限 维护状态不明：作为个人项目（pywayne命名空间），长期更新与社区支持存疑 适合人群 数据分析师与商业分析师：快速完成A/B测试、数据质量报告 计量经济学研究者：时序检验与协整分析工具集 机器学习工程师：回归模型假设验证与诊断 统计学学习者：通过统一接口对比理解不同检验方法 常规风险 多重检验问题：文档已提醒需使用statsmodels.stats.multitest进行p值校正，但未强制集成，用户易忽略导致假阳性膨胀 样本量敏感性：部分检验（如Shapiro-Wilk上限n≤5000）存在明确限制，超限时未自动降级可能引发错误 效应量报告：虽返回effect_size字段，但未明确说明各方法对应的效应量指标（如Cohen's d、eta-squared），解读需谨慎 非参数检验效能：未提供功效分析（power analysis）工具，小样本下非参数检验可能效能不足 开源供应链风险：个人开发者维护，PyPI发布历史与代码审计报告未公开，生产环境建议源码审查后使用 原始说明 Comprehensive statistical testing library with 37+ methods for normality tests, location tests, correlation tests, time series tests, and model diagnostics....