0.理论

A/B测试：一种受控实验，经常在网站上进行，也可以在其他环境中进行。要测试的是对网站做出某种改变后的效果，并和改变以前进行对比。可以使用A/B测试以下内容：

• 设计的调整
• UI流
• 算法的调整
• 定价调整

我们使用T检验和p值来衡量实验效果是否显著。

1.使用Python计算t统计量和p值

import numpy as np
from scipy import stats
# A是实验组，B是对照组
A = np.random.normal(25.0, 5.0, 10000)
B = np.random.normal(26.0, 5.0, 10000)
# 结果说明A比B显著下降了
stats.ttest_ind(A, B)

Ttest_indResult(statistic=-14.703132443038696, pvalue=1.1052116722161497e-48)

# 将B的均值设置与A一致
B = np.random.normal(25.0, 5.0, 10000)
# 结果表明没有显著差异
stats.ttest_ind(A, B)

Ttest_indResult(statistic=0.6791152970619797, pvalue=0.4970726702072421)

# 将样本量设置为10W
A = np.random.normal(25.0, 5.0, 100000)
B = np.random.normal(25.0, 5.0, 100000)
# 结果表明没有显著差异
stats.ttest_ind(A, B)

Ttest_indResult(statistic=-0.28197242894480523, pvalue=0.7779649431166276)

# 将A与自己比较，没有任何区别
stats.ttest_ind(A, A)

Ttest_indResult(statistic=0.0, pvalue=1.0)

2.参考资料

Python数据科学与机器学习：从入门到实践

作者：

[美]弗兰克•凯恩（Frank Kane）

源代码下载：


https://www.ituring.com.cn/book/2426