SciPy 的 ttest_ind 只回两个数：T 值和 p 值。Pingouin 的 ttest 一次回八个：T 值、自由度、单双侧设定、p 值、均值差的 95% 置信区间、效应量 Cohen's
d、统计功效、贝叶斯因子 BF10。这个差别就是它存在的理由——README 里写得很直白，它面向想要「简单但详尽」的统计函数的用户。

项目 2018 年建立，现有 1,942 个 star、178 个 fork、14 个未结 issue，基于 Pandas 与 NumPy。

README 列出的能力可以归成六组：

• 方差分析：多因素、重复测量、混合设计、协方差分析（ANCOVA）；
  
• 成对事后检验（参数与非参数）与成对相关；
  
• 相关：稳健相关、偏相关、距离相关、重复测量相关；
  
• 回归与中介：线性／逻辑回归、中介分析；
  
• 贝叶斯与多元：贝叶斯因子、多元检验、信度与一致性；
  
• 配套：效应量与功效分析、效应量或相关系数的参数／自助法置信区间、圆形统计、卡方检验，以及 Bland-Altman 图、Q-Q 图、配对图、稳健相关图等绘图。
  

README 的「10 分钟上手」给了两张标准输出表，值得记住列名，因为后面写报告要直接用：

示例数据（n=30，均值 4 与
5、相关 0.6 的二元正态）跑出来是：T=3.401、dof=58、p_val=0.001、CI95=［1.68, 0.43］、cohen_d=0.878、power=0.917、BF10=26.155；相关系数 r=0.595、CI95=［0.3, 0.79］、p_val=0.001、BF10=69.723、power=0.950。

注意这两张表的共同点——点估计、区间、效应量、功效、贝叶斯因子都在同一行里，不需要另外调五六个函数拼。

核心依赖：NumPy ≥ 2.2.
2、SciPy ≥ 1.15.0、Pandas ≥ 2.3.0、Matplotlib ≥ 3.10.
1、Seaborn ≥ 0.13.
2、Scikit-learn ≥ 1.6.
1、Tabulate；Python 3.11+。部分函数需要额外装 pingouin［extras］：Statsmodels ≥ 0.14.5 用于 ancova、rm_corr 以及不平衡设计或多因素设计的 anova；Mpmath 用于单侧 bayesfactor_pearson。

安装三选一：uv pip install pingouin、pip install pingouin、conda install -c conda-forge pingouin；发版较频繁，升级用 pip install --upgrade pingouin。

把上面的输出列当成一张报告模板，顺序就出来了：

第一层是效应量与区间。p 值只回答「有没有」，cohen_d 与 CI95 回答「有多大、范围多宽」。Pingouin 的 CI95 既支持参数法也支持自助法，对偏态明显或样本小的数据，自助法区间比正态近似更稳。

第二层是功效与贝叶斯因子。power 告诉你这个设计在给定效应量下能检出结果的概率；BF10 给出另一套证据尺度——它不依赖「零假设为真」的框架，p=0.05 附近 BF10 常常只有弱证据，两个指标一起报能避免把「刚好显著」说成「已被证实」。

第三层是设计与假设。方差分析类的函数把多因素、重复测量、混合设计与协方差分析分开做，成对事后检验与成对相关都提供参数和非参数两套；不平衡或多因素设计要装 extras 里的 Statsmodels。报告时把设计类型、事后检验方法、是否做了多重比较校正写清楚，比只写一个 p 值有用得多。

第四层是稳健性。稳健相关、偏相关、距离相关、重复测量相关这四种相关各有适用场景：有离群值用稳健相关，需要控制第三变量用偏相关，变量间关系非线性用距离相关，同一批受试多次测量用重复测量相关。把主分析与稳健方法的结果并排放，比单报一个 Pearson r 更可信。

一句话：Pingouin 把「效应量＋区间＋功效＋贝叶斯因子」打包成一行输出，但要不要报、按什么顺序解释，仍然取决于你的设计和对假设的检查——工具替你算了，没替你判断。

仓库地址、官方文档、示例笔记本、JOSS 论文与 GPL-3.0 许可原文已整理好，回复后可见。