MCP假设测试器v2.0
一个全面的统计假设测试框架，具有干净的OOP架构，作为FastMCP服务器构建。具有14+统计测试、自动测试建议和智能缓存系统。
  
______________________________________________________________________
🎯 这有什么作用
此MCP服务器为LLM和开发人员提供了一个完整的统计假设测试工具包。它分析您的数据，建议适当的测试，检查假设，并提供对业务友好的解释。
非常适合：
- 📊 A/B测试和实验
- 📈 销售和业务分析
- 🔬 科学研究和分析
- 🎓 用实例学习统计
- 🤖 LLM驱动的数据分析
______________________________________________________________________
✨ 主要特点
🧪 14+统计测试
- 参数： t检验（一个样本、两个样本、配对），方差分析
- 非参数： 曼惠特尼U，威尔科克森，克鲁斯卡尔·沃利斯
- 正常性： 夏皮罗·威尔克、科尔莫哥洛夫、安德森·达林、雅克·贝拉
- 方差： Levene氏、Bartlett氏、F-test
🤖 智能汽车建议
分析您的数据特征并推荐最合适的测试：
- 检查正态性、方差相等性、样本量
- 考虑数据类型（连续、有序）
- 提供推理和替代方案
💾 智能高速缓存
- 将详细结果存储在临时JSON文件中
- 使MCP响应保持轻量级（\2000|
方差测试
| 测试 | 用例 | 注释 |
|---|---|---|
| Levene的 | 等方差检验 | 对非正态性具有鲁棒性 |
| 巴特利特 | 等方差检查 | 最适合正常数据 |
| F检验 | 双样本方差 | 对非正态性敏感 |
______________________________________________________________________
📁 项目结构
mcp-hypothesis-tester/
├── datasets/ # 6 documentation-aligned datasets
│ ├── sales_example.json # Case 1: One-sample t-test
│ ├── coffee_shop_traffic.json # Case 2: Fail to reject
│ ├── website_redesign.json # Case 3: Paired t-test
│ ├── coffee_machine_ratings.json
│ ├── sales_three_stores.json # ANOVA example
│ └── normality_test_example.json
│
├── src/ # Source code
│ ├── core/
│ │ ├── base_test.py # Abstract base class
│ │ └── cache_manager.py # Temp JSON caching
│ ├── tests/
│ │ ├── parametric/ # T-tests, ANOVA
│ │ ├── non_parametric/ # Mann-Whitney, Wilcoxon, etc.
│ │ ├── normality/ # Shapiro-Wilk, K-S, etc.
│ │ └── variance/ # Levene's, Bartlett's, F-test
│ ├── datasets/
│ │ └── loader.py # Dataset management
│ ├── utils/
│ │ └── test_suggester.py # Auto test suggestion
│ └── mcp_server.py # FastMCP integration
│
├── Documentation/
│ ├── README.md # This file
│ ├── USAGE_GUIDE.md # Comprehensive usage guide
│ ├── IMPLEMENTATION-1.md # Implementation plan
│ ├── IMPLEMENTATION_COMPLETE.md
│ ├── PROJECT_STRUCTURE.md # Detailed structure
│ ├── LLM_USAGE_GUIDE.md # For LLM users
│ ├── hypothesis-tester-for-megginners.md
│ └── sample-cases-and-explanation.md
│
├── Scripts/
│ ├── generate_datasets.py # Generate example datasets
│ └── test_implementation.py # Test suite
│
└── Configuration/
├── fastmcp.json
├── requirements.txt
└── pyproject.toml______________________________________________________________________
🏗️ 建筑
干净的OOP设计
- 模板方法模式 -基类定义工作流
- 依赖注入 -将缓存管理器注入测试
- 闭原则 -易于通过新测试进行扩展
- 单一责任 -每个类处理一种测试类型
核心组件
基本假设检验 （抽象基类）
class BaseHypothesisTest(ABC):
def run(self, *args):
# 1. Validate input
# 2. Check assumptions
# 3. Compute statistic
# 4. Calculate effect size
# 5. Interpret result
# 6. Cache details
# 7. Return TestResult测试结果 （标准化集装箱）
@dataclass
class TestResult:
test_name: str
statistic: float
p_value: float
decision: str
interpretation: str
effect_size: float
assumptions_met: Dict[str, bool]
cache_id: str缓存管理器 （临时JSON存储）
- 地点：
/tmp/mcp-hypothesis-cache/ - TTL:24小时自动清理
- 自动序列化numpy数组
测试建议器 （智能推荐）
- 分析：正态性、方差、样本量、数据类型
- 用于测试选择的决策树逻辑
- 返回：测试名称、推理、置信度、备选方案
______________________________________________________________________
📚 文档
- 用法\_ GIDE.md -完整的使用示例和工作流程
- 实施-1.md -原实施计划
- 实施_已完成.md -竣工总结
- 项目_结构.md -详细的项目结构
- megginners.md的假设 -初学者友好的解释
- 样本案例与解释.md -详细的案例研究
______________________________________________________________________
🧪 测试
运行综合测试套件：
python test_implementation.py测试覆盖范围：
- ✅ 数据集加载（6个数据集）
- ✅ 单样本t检验（销售额：t=2.073，p=0.044→ 拒绝H₀)
- ✅ 配对t检验（网站重新设计）
- ✅ Shapiro-Wilk正态性检验
- ✅ 汽车测试建议
- ✅ 缓存管理器
结果： 所有测试通过✅
______________________________________________________________________
🎓 学习资源
理解P值
- **p\= 2.12.0 # MCP server framework
numpy >= 1.24.0 # Array operations scipy >= 1.10.0 # Statistical tests pandas >= 2.0.0 # Data handling matplotlib >= 3.7.0 # Plotting (optional) seaborn >= 0.12.0 # Visualization (optional) statsmodels >= 0.14.0 # Advanced statistics
______________________________________________________________________
## 📈 演出
- **响应时间：** 大多数测试\<100ms
- **缓存大小：** 典型使用情况下\<1MB
- **MCP响应：** \<5KB（仅摘要）
- **内存：** ~50MB运行时间
- **启动时间：** \<2秒
______________________________________________________________________
## 🤝 贡献
欢迎投稿！需要改进的领域：
1. **附加测试：**
- 双因素方差分析
- 卡方（适合性、独立性）
- 相关检验（皮尔逊、斯皮尔曼、肯德尔）
- Z比例试验
1. **事后测试：**
- 多重比较
- Bonferroni校正
- 邓氏试验
1. **功率分析：**
- 样本量计算
- 统计功率估计
1. **可视化：**
- 正态性的Q-Q图
- 用于比较的方框图
- 分布直方图
______________________________________________________________________
## 📝 许可证
MIT许可证-有关详细信息，请参阅许可证文件
______________________________________________________________________
## 🙏 致谢
- 内置 [FastMCP](https://github.com/jlowin/fastmcp)
- 统计测试来自 [SciPy](https://scipy.org/)
- 受现实世界业务分析需求的启发
- 统计教育资源中的文档示例
______________________________________________________________________
## 📞 支持
- **文档：** 看 `USAGE_GUIDE.md` 详细示例
- **问题：** 在GitHub上打开一个问题
- **问题：** 检查 `hypothesis-tester-for-megginners.md` 用于解释
______________________________________________________________________
## ⭐ 明星历史
如果你觉得这个项目有用，请考虑给它一颗星！ ⭐
______________________________________________________________________
**内置❤️ 用于数据驱动决策**
*2.0版本-使用干净的OOP架构进行完全重写*