统计检验必学:卡方检验(χ²)|原理+公式+案例+Python代码全解
大家好,今天我们来聊统计检验里最常用、最好用、最适合分类数据的方法:卡方检验(Chi-square test)。
不管你是本科生、研究生,还是做数据分析、机器学习、问卷统计、医学统计,卡方检验都是必须掌握的检验方法。
我会用最通俗、最直白、最容易理解的方式,把卡方检验讲透,保证看完直接会用、直接能写进论文里。
一、什么是卡方检验?(大白话解释)
一句话:
卡方检验就是专门用来判断“两个分类变量”有没有关系的统计方法。
它只处理分类变量,比如:
- 性别:男 / 女
- 职业:学生 / 上班族 / 退休
- 喜好:咖啡 / 茶 / 牛奶
- 购买:是 / 否
- 颜色:红 / 蓝 / 绿
卡方检验只回答一个问题:
两个分类变量之间有没有“关联”?是不是独立的?
比如:
- 性别和喜欢咖啡/茶有没有关系?
- 性别和是否购买商品有没有关系?
- 职业和健康状况有没有关系?
- 抽烟和患肺癌有没有关系?
只要是两个分类变量,都能用卡方检验。
二、卡方检验的本质是什么?
本质:比较“实际观测值”和“理论期望值”的差距。
- 实际观测值(O):你真正收集到的数据
- 期望值(E):假设两个变量完全没关系、完全独立时,理论上应该出现的数据
差距越大 → 卡方值越大 → 越说明两个变量有关系
差距越小 → 越说明只是随机误差 → 两个变量没关系
三、卡方检验核心公式(必须记住)
1. 卡方统计量公式
χ2=∑(Oi−Ei)2Ei \chi^{2}=\sum \frac{(O_{i}-E_{i})^{2}}{E_{i}} χ2=∑Ei(Oi−Ei)2
- O:实际观测频数
- E:期望频数
- χ²:卡方统计量
- Σ:对所有格子求和
2. 期望频数计算公式
Eij=行合计×列合计总人数 E_{ij}=\frac{行合计 × 列合计}{总人数} Eij=总人数行合计×列合计
3. 自由度计算公式
df=(行数−1)×(列数−1) df=(行数-1) × (列数-1) df=(行数−1)×(列数−1)
四、最经典案例:性别 vs 饮品偏好
我们用一个最简单、最直观的案例带你走一遍卡方检验。
1. 实际观测数据(列联表)
| 喜欢咖啡 | 喜欢茶 | 行合计 | |
|---|---|---|---|
| 男性 | 30 | 20 | 50 |
| 女性 | 10 | 40 | 50 |
| 列合计 | 40 | 60 | 总人数=100 |
2. 计算期望频数
以男性喜欢咖啡为例:
E=50×40100=20
E=\frac{50 × 40}{100}=20
E=10050×40=20
完整期望频数表:
| 喜欢咖啡 | 喜欢茶 | |
|---|---|---|
| 男性 | 20 | 30 |
| 女性 | 20 | 30 |
3. 计算卡方统计量
(30−20)220=5
\frac{(30-20)^2}{20}=5
20(30−20)2=5
(10−20)220=5
\frac{(10-20)^2}{20}=5
20(10−20)2=5
(20−30)230=3.33
\frac{(20-30)^2}{30}=3.33
30(20−30)2=3.33
(40−30)230=3.33
\frac{(40-30)^2}{30}=3.33
30(40−30)2=3.33
总卡方值 = 5 + 5 + 3.33 + 3.33 = 16.66
4. 自由度
df=(2−1)(2−1)=1 df=(2-1)(2-1)=1 df=(2−1)(2−1)=1
5. 结论
χ²=16.66,p<0.05
说明:性别和饮品偏好存在显著关联!
五、卡方检验的 5 大特点
- 专门处理分类数据:性别、职业、喜好、是否购买等
- 不要求正态分布:属于非参数检验
- 基于频数比较:只看数量,不看连续数值
- 样本量越大越准确:建议每个格子频数 ≥5
- 判断关联性是否显著:直接给出是否相关
六、Python 完整实现(直接复制运行)
下面是最完整、最简单、可直接运行的卡方检验代码,包含:
- 生成列联表
- 执行卡方检验
- 输出卡方值、p值、自由度、期望频数
- 热力图可视化
# 1. 导入库
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.stats import chi2_contingency
# 2. 构建列联表(观测值)
observed = np.array([
[30, 20], # 男性:咖啡、茶
[10, 40] # 女性:咖啡、茶
])
# 3. 执行卡方检验
chi2, p, dof, expected = chi2_contingency(observed)
# 4. 输出结果
print("="*50)
print(" 卡方检验结果")
print("="*50)
print(f"卡方统计量 χ²: {chi2:.4f}")
print(f"p值: {p:.4f}")
print(f"自由度 df: {dof}")
print("="*50)
print("期望频数:")
print(expected)
print("="*50)
# 5. 显著性判断
alpha = 0.05
if p < alpha:
print("结论:两个变量存在显著关联 ✅")
else:
print("结论:两个变量无显著关联 ❌")
# 6. 可视化:观测值 vs 期望值热力图
fig, ax = plt.subplots(1, 2, figsize=(12, 5))
sns.heatmap(observed, annot=True, cmap="Blues", fmt="d", ax=ax[0])
ax[0].set_title("实际观测频数")
sns.heatmap(expected, annot=True, cmap="Oranges", fmt=".1f", ax=ax[1])
ax[1].set_title("期望频数")
plt.tight_layout()
plt.show()
七、机器学习中的应用:特征选择
卡方检验在机器学习、数据挖掘中最常用的场景是:
分类特征选择(筛选与标签最相关的特征)
它可以快速找出:
哪些分类特征对标签影响最大
Python 特征选择代码
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.preprocessing import LabelEncoder
import pandas as pd
# 构造数据
data = {
'Gender': ['Male', 'Female', 'Female', 'Male', 'Female'],
'Age': [25, 30, 35, 22, 40],
'Purchase': ['No', 'Yes', 'Yes', 'No', 'Yes']
}
df = pd.DataFrame(data)
# 分类变量编码
le = LabelEncoder()
df['Gender'] = le.fit_transform(df['Gender'])
df['Purchase'] = le.fit_transform(df['Purchase'])
# 特征与标签
X = df[['Gender', 'Age']]
y = df['Purchase']
# 卡方检验筛选特征
selector = SelectKBest(chi2, k=1)
X_new = selector.fit_transform(X, y)
# 输出结果
print("最相关特征:", X.columns[selector.get_support()])
八、卡方检验最完整总结(背诵版)
- 用途:判断两个分类变量是否有关联
- 数据类型:分类数据(性别、职业、喜好等)
- 核心公式:
χ2=∑(O−E)2E\chi^{2}=\sum \frac{(O-E)^2}{E}χ2=∑E(O−E)2 - 期望频数:E=行合计×列合计总人数E=\frac{行合计×列合计}{总人数}E=总人数行合计×列合计
- 自由度:df=(行−1)(列−1)df=(行-1)(列-1)df=(行−1)(列−1)
- 判断标准:
- p < 0.05:显著关联
- p ≥ 0.05:无关联
- 优点:不要求正态分布、简单、通用、解释性强
- 机器学习用途:分类特征选择
169



被折叠的 条评论
为什么被折叠?



