在数据科学领域，假设检验是决策过程中的一个重要步骤，通常由机器学习或深度学习算法驱动。统计过程中的一个流行方法是假设检验，其应用不仅限于数据科学领域，还可以在医疗保健、生物、机械等领域找到。实际上，许多生物学过程的决策都是基于假设检验的。
假设是一个尚未证明或待证明的陈述。换句话说，它是一个需要测试以检查其真伪的假设。涉及测试这些假设的测试被称为假设检验。尽管存在许多类型的假设，但通常有两种类型被广泛使用，即零假设和备择假设。这两个假设完全相反。零假设是目前认为正确的陈述。备择假设是当零假设被证明是错误的时候才为真的陈述。零假设用H0表示，备择假设用Ha表示。
从统计学上讲，它检查一个样本是否等于总体，基于总体参数，如均值、标准差等。例如，知道某个特定社会中女性的均值身高是168厘米，想要测试这个声明，即平均身高是否为168厘米。在这里，零假设是H0: μ = 168，备择假设是Ha: μ ≠ 168。
为了决定在零假设和备择假设之间采纳哪一个，需要使用假设检验。有多种测试可供选择以做出决策。测试的选择取决于多个参数，如样本大小、测试中涉及的尾部数量、样本数据类型、总体参数等。这些测试中的每一个都计算一个检验统计量。例如，Z检验计算Z分数或Z统计量，T检验计算T分数或T统计量。基于这些统计值和p值、显著性水平，决定是否能够拒绝零假设或未能拒绝零假设。假设检验的一般过程是：
记住，在假设检验中测试的是零假设。这意味着将能够拒绝零假设或未能拒绝零假设。永远不会说接受备择假设或拒绝备择假设。尽管技术上这意味着相同的事情，应该始终以零假设的术语来肯定。在本文中，将只关注Z检验并计算其统计值，或Z分数。选择正确的假设检验是最重要的部分，因为选择错误的测试会导致错误的结果，因此，人们会做出错误的决策。
Z检验是一种基于标准正态分布的假设检验。它也被称为标准正态Z检验。使用这个测试，计算Z分数或Z统计量值。Z检验用于测试以下内容：
Z检验有几个假设需要在使用之前满足。假设如下：
Z统计量值可以使用以下公式计算：
Z = (x̄ - μ) / (σ / √n)
其中，x̄是样本均值，μ是总体均值，σ是样本标准差，n是样本大小。注意：这个公式是用于单样本Z检验的。
现在将创建Z检验计算器。为此，需要导入所需的库，首先是：
import streamlit as st
import numpy as np
接下来，将从用户那里接受样本数据。使用Streamlit的.text_input()方法接受用户输入的样本数据，默认值为0，因为.text_input()接受字符串类型的值。然后，为了在下一步将所有输入值转换为浮点值，首先需要确保数据之间没有空字符串，因为它不会被解析为浮点值。
raw_data = st.text_input('Enter the Data', value = 0)
raw_data = raw_data.strip()
data = raw_data.replace(" , " , " ").replace(", " , " ").replace(" ," , " ").replace(" " , ',').split(',')
x = [float(i) for i in data]
接下来，将接受用户输入的已知总体均值。使用Streamlit方法.text_input()接受用户输入，并将其转换为浮点值，因为.text_input()接受字符串类型的值。value = 0参数表示当用户没有填写数据时，此字段的默认值为0。
mu = st.text_input('Enter Population Mean', value = 0)
mu = float(mu)
xbar = np.mean(x)
sigma = np.std(x, ddof = 1)
n = len(x)
z_cal = (xbar - mu) / (sigma / np.sqrt(n))
st.write("Your z - statistic value is: ", np.round(z_cal, 3))