先弄清楚：这套统计分析课到底解决什么问题
很多上班族的痛点是：业务数据能拉出来，表格也能画，但只要老板追问一句“这两个方案的转化率差异到底显不显著”、“这几个客群之间的偏好有没有真实区别”，就只能凭直觉拍脑袋。这门 Python 统计分析课解决的就是这个断层。它不是教你写爬虫或做机器学习，而是用 scipy.stats 和 statsmodels 这两个包，把商业问题翻译成统计检验问题。课程底层的案例是中国消费者信心指数调查，属于真实问卷数据，不是那种手搓的完美演示集。学完之后，你面对的业务场景是：拿到一份数据，能独立判断该用 t 检验、方差分析还是卡方检验，跑出结果，并用统计语言写清楚结论。
对基础的要求：别把它当零基础 Python 课来用
这套资料不适合完全没写过代码的人。它默认你已经会用 pandas 做基本的数据读写和切片，懂一点 matplotlib 画图。如果你的 Python 还停留在装环境阶段，建议先补基础再来看，否则到假设检验那一节会卡住。另外，它也不是大学概率论的数学推导课，原理部分讲得克制，重点放在“这个检验在 Python 里怎么调、结果怎么读、业务上怎么解释”。如果你是转行做数据分析、运营或市场调研，平时总被统计术语绕晕，这套课的实操导向刚好能帮你把理论落地。课程开头有学前测试，务必先做，能快速暴露你对变量类型、均值方差这些基本概念的掌握程度，再决定是正常进度看还是先去补统计常识。
建议的观看顺序和练习配合方式
不要从头到尾当连续剧刷。建议先看“变量的统计描述”这一块，把连续变量和分类变量的描述方法跑通，因为后续所有检验都建立在对数据结构的准确判断上。接着直接进 t 检验，重点听假设检验的基本原理那一节，这是整门课的底座，理解了 p 值和原假设的逻辑，后面的方差分析和卡方检验就是套不同函数的事。资料配合练习的方法是：课程提供了案例数据和文档，每看完一个检验方法，立刻用自己的工作数据替换进去跑一遍。比如学完单因素方差分析，就拿你手头不同渠道的日活数据去试，看结果怎么解读。统计学习最怕只看不练，代码跑通了不等于你会用，只有对着非演示数据犯过错，才算真正掌握。
以真实商业案例为数据基础，课程内容围绕scipy.stats和statsmodels包的相关功能展开，从统计分析实战的角度出发详细介绍了如何在Python中完成数据描述、t检验、单因素方差分析、卡方检验、相关回归等统计分析操作。
课程目录
* 01 学前测试/
* 01 学前测试
* 02 变量的统计描述/
* 01 学Python统计分析时要注意的几大问题.mp4 08:59
* 02 中国消费者信心指数项目概况.mp4 13:07
* 03 连续变量的统计描述（上）.mp4 06:16
* 04 连续变量的统计描述（下）.mp4 08:18
* 05 分类变量的频数描述.mp4 04:46
* 06 分类变量的交叉表描述.mp4 07:03
* 07 本课程案例数据及文档下载.mp4 00:10
* 03 连续变量的比较：t检验/
* 01 假设检验的基本原理.mp4 12:14
* 02 假设检验的基本步骤.mp4 13:49
* 03 一类错误、二类错误与检验效能.mp4 07:14
* 04 假设检验的注意事项.mp4 07:15
* 05 单样本t检验的基本原理.mp4 11:30
* 06 单样本t检验的python实现.mp4 08:20
* 07 两样本t检验的基本原理.mp4 05:57
* 08 两样本t检验的scipy实现.mp4 07:05
* 09 两样本t检验的statsmodels实现.mp4 06:44
* 10 配对t检验的基本原理.mp4 13:11
* 11 配对t检验的python实现.mp4 08:03
* 12 章节测试
* 04 检验方法适用条件的考察/
* 01 案例独立性的考察.mp4 07:45
* 02 正态性的图形考察.mp4 10:21
* 03 正态性的假设检验考察.mp4 05:00
* 04 正态性考察的python实现.mp4 06:37
* 05 正态性不满足时的应对策略.mp4 07:14
* 06 方差齐性的考察和应对策略.mp4 09:12
* 07 方差齐性考察的python实现.mp4 07:52
* 05 多组均数的比较：单因素方差分析/
* 01 多组均数比较时面临的问题.mp4 06:22
* 02 方差分析的基本原理.mp4 11:30
* 03 单因素方差分析的python实现.mp4 09:00
* 04 事后两两比较：直接校正检验水准.mp4 13:36
* 05 事后两两比较方法的选择.mp4 06:55
* 06 事后两两比较的python实现.mp4 10:52
* 07 章节测试
* 06 有序分类变量的比较：非参数方法/
* 01 非参数统计分析方法的基本概念.mp4 09:41
* 02 非参数统计分析方法的基本原理.mp4 07:11
* 03 成组样本比较的非参数方法.mp4 07:09
* 04 成组样本比较非参数方法的实现.mp4 11:47
* 05 配对样本比较的非参数方法.mp4 09:26
* 06 配对样本比较非参数方法的实现.mp4 06:49
* 07 秩变换分析的基本原理.mp4 05:50
* 08 秩变换分析方法的python实现.mp4 08:30
* 07 无序分类变量的比较：卡方检验/
* 01 卡方检验的基本原理.mp4 10:38
* 02 卡方检验的scipy实现.mp4 06:36
* 03 卡方检验statsmodels实现.mp4 09:15
* 04 卡方检验的两两比较.mp4 09:54
* 05 卡方校正与确切概率法.mp4 08:31
* 06 配对卡方检验.mp4 11:16
* 07 分层卡方检验.mp4 14:00
* 08 二项分布检验的基本原理.mp4 11:48
* 09 二项分布检验的python实现.mp4 11:29
* 10 章节测试
* 08 数据的关联性分析/
* 01 相关分析概述.mp4 14:16
* 02 相关系数的计算原理.mp4 12:57
* 03 相关分析的python实现.mp4 06:21
* 04 OR和RR的基本概念.mp4 09:34
* 05 OR和RR的python实现.mp4 05:16
* 09 线性回归模型入门/
* 01 相关和回归的联系与区别.mp4 04:47
* 02 线性回归模型概述.mp4 15:44
* 03 线性回归模型的适用条件.mp4 15:23
* 04 线性回归模型的标准建模步骤.mp4 23:22
* 05 线性回归模型的scipy实现.mp4 04:50
* 06 线性回归模型的statsmodels实现.mp4 15:06
* 07 多变量回归模型与残差分析.mp4 09:00
* 10 样本量的计算/
* 01 为什么要估计样本量.mp4 09:00
* 02 样本量的计算原理.mp4 10:41
* 03 t检验的样本量估计.mp4 13:00
* 04 单因素ANOVA的样本量估计.mp4 07:04
* 05 率的比较的样本量估计.mp4 08:34
* 06 章节测试
* 11 结课测试/
* 01 结课测试
