当前位置：首页 > news >正文

DuckDB统计实战：两步验证用户行为的关键假设

news 来源：原创 2025/6/8 10:13:18

本文通过 DuckDB 结合 Python 统计工具，演示如何对出租车乘车数据集进行假设检验。重点探讨支付方式对小费行为的影响，以及行程时长与小费比例的相关性，提供完整的 SQL 数据处理与统计检验方法论。

环境准备

安装 DuckDB 并验证基础查询能力：

pip install duckdb

import duckdb
# 直接读取 CSV 文件并预览数据
duckdb.query("SELECT * FROM read_csv_auto('/content/cab_ride_data.csv') LIMIT 5").df()

测试数据可以从这里下载。

假设检验实例

假设1：支付方式影响给小费行为？

零假设 (H₀)：不同支付方式的小费分布一致
备择假设 (H₁)：支付方式与小费行为存在关联

实施步骤：

构建列联表
使用 SQL 聚合不同支付方式下的小费/非小费计数：

SELECT 
    payment_type, 
    SUM(CASE WHEN tip > 0 THEN 1 ELSE 0 END) AS tipped,
    SUM(CASE WHEN tip = 0 THEN 1 ELSE 0 END) AS no_tip
FROM read_csv('/content/cab_ride_data.csv')
GROUP BY payment_type;

卡方检验
通过 SciPy 实现统计检验：

# 导入卡方检验函数（用于分类变量的独立性检验）
from scipy.stats import chi2_contingency

# 从数据框中提取分类变量的列联表
# tipped列（是否给小费）和no_tip列（是否不给小费）构成2x2矩阵
contingency_table = df[['tipped', 'no_tip']].values
# 执行卡方检验并解包结果：
# chi2_stat: 卡方统计量（衡量观察值与期望值的偏离程度）
# p_value: 显著性概率（原假设成立的可能性）
# dof: 自由度（(行数-1)*(列数-1)）
# expected: 期望频数矩阵（基于原假设的预期分布）
chi2_stat, p_value, dof, expected = chi2_contingency(contingency_table)

关键点解释：

卡方检验原理
通过比较实际观测频数与理论期望频数的差异，判断分类变量是否独立。公式：
χ² = Σ[(O-E)²/E]，其中O=实际频数，E=期望频数
列联表要求
需要满足：
- 所有单元格期望频数 ≥5；卡方检验基于大数定律，当期望频数过低时（如 <5），其分布可能偏离理论卡方分布
- 分类变量为二进制或有序类型
- 数据为频数形式（本文通过SUM(CASE WHEN)实现）
结果解读指南
- 若p<0.05：拒绝原假设（存在显著关联）
- 若p≥0.05：无法拒绝原假设（无足够证据证明关联）
- 卡方值越大，拒绝原假设的证据越强

典型应用场景：

A/B测试结果分析（如不同支付方式的用户行为差异）
用户分群特征验证（如新老用户的产品使用模式对比）

结果解读：

卡方值 1.8509，p值 0.3964（>0.05）
结论：无充分证据表明支付方式影响小费行为。

在这里插入图片描述

假设2：行程时间与小费比例相关？

零假设 (H₀)：行程时长与小费比例无关
备择假设 (H₁)：二者存在显著相关性

实施步骤：

数据预处理

计算小费百分比并过滤无效数据：

SELECT corr(duration_min, tip_percentage) AS correlation
FROM (
    SELECT duration_min,
           (tip / fare) * 100 AS tip_percentage
    FROM read_csv('/content/cab_ride_data.csv')
    WHERE tip IS NOT NULL AND fare > 0
)