### 实现Mann-Whitney U检验并绘图 为了执行Mann-Whitney U检验以及展示结果，可以利用`scipy.stats.mannwhitneyu()`来进行统计测试，并通过`matplotlib`和`seaborn`库来创建直观的图表。 #### 使用SciPy进行Mann-Whitney U检验 下面是一段用于计算两样本间Mann-Whitney U检验p值的Python代码： ```python from scipy import stats def perform_mann_whitney_u_test(control_group, treatment_group): stat, p_value = stats.mannwhitneyu(control_group, treatment_group) return stat, p_value ``` 这段代码定义了一个名为`perform_mann_whitney_u_test`的功能函数，它接收对照组(`control_group`)和实验组(`treatment_group`)的数据作为输入参数，并返回U统计量及其对应的P值[^3]。 #### 绘制箱形图对比两组数据分布 接下来的部分展示了如何使用Matplotlib和Seaborn绘制箱形图以比较两个不同群体之间的收入分配情况: ```python import matplotlib.pyplot as plt import seaborn as sns def plot_boxplots_for_comparison(df): fig, ax = plt.subplots() # 设置图形大小 fig.set_size_inches(10, 6) # 创建箱型图 sns.boxplot(x="group", y="value", data=df, palette="Set2") # 添加标题和其他细节 ax.set_title('Comparison Between Control and Treatment Groups') ax.set_xlabel('Groups') ax.set_ylabel('Values') plt.show() ``` 此部分代码首先导入必要的库，接着定义了另一个辅助函数`plot_boxplots_for_comparison`，该函数接受一个DataFrame对象作为参数，其中包含有标记为'group'(表示属于哪个群)和'value'(实际数值)列。最后调用了Seaborn中的boxplot方法生成图像[^4]。 #### 结合上述功能完成整个流程 将以上组件组合起来形成完整的解决方案如下所示： ```python if __name__ == "__main__": # 假设我们已经有了处理过的数据框df df_control = ... # 对照组数据 df_treatment = ... # 处理组数据 # 执行Mann-Whitney U检验 u_statistic, p_val = perform_mann_whitney_u_test(df_control.values.flatten(), df_treatment.values.flatten()) print(f"Mann-Whitney U statistic: {u_statistic}, P-value: {p_val}") # 准备用于绘图的数据结构 combined_data = pd.DataFrame({ 'value': np.concatenate([df_control.values.flatten(), df_treatment.values.flatten()]), 'group': ['Control'] * len(df_control.values.flatten()) + ['Treatment'] * len(df_treatment.values.flatten()) }) # 调用绘图函数显示结果 plot_boxplots_for_comparison(combined_data) ``` 这段脚本实现了从加载数据到执行统计分析再到最终可视化的全过程。注意这里假定已经存在预处理后的控制组与治疗组数据集；如果实际情况并非如此，则需先读取原始文件并对之做适当转换再继续后续操作[^5]。