如何基于两组重复的值在python中生成p值？

我对两个不同的样本进行了一系列的三重测量，我想知道这些差异是否具有统计学意义。由于样本量小，我不能使用学生T检验。一位同事使用了一个名为limma（）的R包，但我不想调用R。

是我在Udacity论坛上发表的一篇文章，展示了如何获得适合各种样本大小的t统计数据

这将为您提供一个与Wikipedia文章底部表格中显示的值类似的t统计值

为了防止第一个链接发生任何情况，下面是代码：

# -*- coding: utf-8 -*-
from __future__ import division
import math
from scipy.stats import t

def mean(lst):
    # μ = 1/N Σ(xi)
    return sum(lst) / float(len(lst))

def variance(lst):
    """
    Uses standard variance formula (sum of each (data point - mean) squared)
    all divided by number of data points
    """
    # σ² = 1/N Σ((xi-μ)²)
    mu = mean(lst)
    return 1.0/len(lst) * sum([(i-mu)**2 for i in lst])

def get_tstat(probability, degrees_of_freedom, tails=2):
    """get the t-statistic required for confidence intetval calculations"""
    if tails not in [1,2]:
        sys.exit('invalid tails parameter (1 or 2 valid)')
    inv_p = 1 - ((1 - probability) / tails)
    return t.ppf(inv_p, degrees_of_freedom)

def conf_int(lst=None, p=0, n=0, perc_conf=95, tails=2):
    """
    Confidence interval - supply a list OR a probability (p) and sample
    size (n) e.g. if you want to know the confidence interval for 1000
    coin tosses (0.5 p i.e. a fair coin) then call with (None, 0.5, 1000).

    If a list id provided then the relevant stats are calculated on the
    list from within the function so no p or n value is required.

    The result gives a figure that you can be confident to conf (e.g
    95% certain for 0.95) that the result will always be within this
    amount +/- from the mean.

    e.g. 1000 coin tosses returns ~0.03 on a fair coin (with 0.95 conf)
    which means that you can be 95% confident of a getting within 3%
    of the expected no of heads if you did this experiement.
    """
    if lst:
        n, v = len(lst), variance(lst)
        t = get_tstat(perc_conf/100, n-1)
        return math.sqrt(v/n) * t
    else:
        if not 0 < p < 1:
            sys.exit('p parameter must be >0 and <1 if lst not given')
        if n == 0:
            sys.exit('n parameter must be >0 if lst not given')
        t = get_tstat(perc_conf/100, n-1)
        return t*(math.sqrt(p*(1-p)) / math.sqrt(n))

################################################################################
# Example: 1000 coin tosses on a fair coin. What is the range that I can be 95%
#          confident the result will fall within.
################################################################################

# get confidence interval
sample_size, probability, perc_conf_req = 1000, 0.5, 95
c_int = conf_int(n=sample_size, p=probability, perc_conf=perc_conf_req)

# show results
exp_heads = probability * sample_size
x = round(sample_size * c_int, 0)

print 'I can be '+str(perc_conf_req)+'% confident that the result of '+ \
      str(sample_size)+' coin flips will be within +/- '+ \
      str(round(c_int*100,2))+'% of '+str(int(exp_heads)) + \
      ' i.e. between '+str(int(exp_heads-x))+' and '+str(int(exp_heads+x))+ \
      ' heads (assuming a probability of '+str(probability)+' for each flip).'

#-*-编码：utf-8-*-
来自未来进口部
输入数学
从scipy.stats导入t
def平均值（lst）：
#μ=1/N∑（xi）
返回和（lst）/浮动（len（lst））
def差异（lst）：
"""
使用标准方差公式（每个（数据点-平均值）的平方和）
全部除以数据点的数量
"""
#σ²=1/N∑（（xi-μ）²）
mu=平均值（lst）
返回1.0/len（lst）*和（[（i-mu）**2表示lst中的i]）
def get_tstat（概率，自由度，尾部=2）：
“”“获取置信区间计算所需的t统计量”“”
如果尾不在[1,2]中：
sys.exit（'无效尾部参数（1或2有效）'）
投资组合p=1-（（1-概率）/尾部）
返回t.ppf（俯仰，自由度）
def conf_int（lst=None，p=0，n=0，perc_conf=95，tails=2）：
"""
置信区间-提供列表或概率（p）和样本
大小（n），例如，如果您想知道1000的置信区间
投币（0.5便士，即一枚普通硬币），然后打电话（无，0.5，1000）。
如果提供了列表id，则在
从函数中列出，因此不需要p或n值。
结果给出了一个您可以确信的数字（例如
95%确定（0.95），结果始终在此范围内
平均值的+/-金额。
e、 g.在一枚普通硬币上投掷1000枚硬币，返回~0.03（形态为0.95）
也就是说，你有95%的信心在3%以内
如果你做了这个实验，预期的人头数。
"""
如果是lst：
n、 v=长度（lst），方差（lst）
t=get_tstat（perc_conf/100，n-1）
返回数学sqrt（v/n）*t
其他：
如果不是0

看起来不错，但我不知道如何从以下两组测量值中获得p值分数（以确定第一组测量值是否与第二组测量值有显著差异）：（2306407.115917.13968965.79547）与（2603677.74470711.647335000.68534）