Ⅰ 两变量之间分析方法选用总结
请看下面几个问题，如果你能轻松的知道问题的答案，那么可以不再阅读本文或快速浏览一下本文，如果不是很轻松就能知道答案，那么建议花一点时间读一下本文。
1.一个变量是否对另一个变量有影响？用什么方法？这个方法适合我的数据吗？
2.EDA探索性数据分析除了描述单变量的分布，还能做些什么。
3.在用机器学习做分类或回归问题时，都说数据决定精度的上界，模型只是去逼近这个上界，那么在对数据进行探索时，可以用哪些方法来做。
在看这个案例之前，有下面几个问题，请带着这些问题边看案例边思考：
1.如果你在工作中会怎么做这个分析？
2.他这样分析对吗？
3.如果不对，问题出在哪里，应该怎么修改？
4.如果回答不上来上述1-3问题，再看完这篇文章后，你是否可以回答1-3
要做分析，那么必然要清楚分析的数据是什么类型，不同类型的数据分析方法与处理方式是不同的，因此有必要清楚实际工作中常见的数据类型。
什么是数据？我认为凡是可以电子化记录的都是数据。 因此，数据范围会随着科技进步和计算机发展不断扩充变大。就目前技术水平与计算机发展，个人认为数据可以做如下分类:
对于两个连续型数值变量之间的关系探究，我们比较容易想到相关关系(回归先不探讨)，日常工作中，我们常把相关关系和因果关系(常用回归分析探索)弄混，这里简单说一下：
相关变量的关系也可分为两种：
两个变量间相互影响——平行关系
一个变量变化受另一个变量的影响——依存关系
它们对应的分析方法：
相关分析是研究呈平行关系的相关变量之间的关系
回归分析是研究呈依存关系的相关变量之间的关系
回归分析和相关分析都是研究变量之间关系的方法，两种分析方法相互结合和渗透；可以总结为：用相关分析不一定要用回归分析；用回归分析，必先用相关分析探索一下变量之间的关系。
1.绘制散点图
2.计算相关系数并完成相关系数显着性检验
从散点图来看，变量A与变量B之间可能不存在线性相关关系。
可以看到使用pandas中的corr()方法求相关分析是只会给出相关系数，不会给出相关系数对应的显着性水平值的，因此如果想更严谨的话还是使用scipy.stats库比较好。
可以看到，在0.05的置信水平下，认为变量A和变量B是不存在显着相关关系的；但看P=0.099，其实P值不算大，如果在0.1的置信水平下，就可以认为变量A和变量B是存在显着相关关系的，这时是可以说相关系数为多少。
统计检验方法：
1.单因素方差分析(若分类变量下类别水平为2，此时单因素方差分析等价于独立样本T检验，两者可以统计量互相转换)
2.独立样本T检验(仅适用于分类变量下类别水平为2的情况)
因此为了篇幅考虑， 就以单因素方差分析适用案例作为本文的内容。
1.对数据是否符合正态分布和组间方差是否一致做检验(完成单因素方差分析的前提假设)
2.描述性分析；建议使用箱线图来进行
3.采用单因素方差分析判断分类变量是否对连续型变量有显着影响
4.若不同组间有差异，通过多重检验来判断哪个处理间存在差异
在日常工作中，我们经常碰到这样的问题，就是一个分类变量对一个连续型变量是否有影响，以植物生长作为一个案例，探究施肥是否会促进植株生成(植株生长以树高作为指标来衡量)，采用控制变量的方法，采取清水作为对照组，实验组以某肥料四个浓度梯度，分别是A,B,C,D，施肥一段时间之后测量树高(要控制其他变量保持一致，比如施肥之前的树高要基本保持一致，生长势基本保持一致等等)。
数据中的teat1-4代表的就是A-D四个化肥浓度。
通过上述分析，可以看到不同化肥水平对应的植株生长存在显着影响，并且通过箱线图和多重检验可以看到，treat3和treat4对应的植株生长是和其他对照组显着差异，treat3和trea4对应的植株生长更好，因此可以建议采用treat3下的化肥水平，treat4的植株生长相较于treat3并没有太明显差异；甚至可以再继续采取一些化肥水平来判断是否当化肥水平超过treat3的水平后，化肥的提升不会再进一步影响植物生长。
统计检验方法：
卡方检验 (卡方检验是针对自变量和因变量都是分类数据，也就是说带有属性的数据)
通过卡方检验，可以看到P值趋近于0，小于0.05，我们可以认为男性和女性在收入上是存在显着差异的；结合列联表和做出的图，我们可以看到在高收入人群中，男性占比较大。
现在回顾第一部分的那个案例，研究的是性别和颜色偏好之间的关系，这是两个分类变量之间的关系，应该使用卡方检验而不应该使用单因素方差分析。
在本文中，没有具体交代方法论的原理，如果感兴趣可以自行查阅。现在我们可以思考下AB Test原理到底使用的方法论到底是什么？ AB Test怎么选择指标更加合理，怎么设计方案更可行，得到的数据怎么分析才正确，下周会做一个关于AB Test的总结。
参考文献：
https://zhuanlan.hu.com/p/36441826 简单相关性分析(两个连续型变量)
https://www.cnblogs.com/jiaxin359/p/7995073.html 统计学当中关于变量的分类