用途：为数据科学、机器学习和统计分析提供数学基础，覆盖描述统计、概率分布、假设检验、线性代数与回归分析。
主要能力：用 NumPy 计算均值、中位数、标准差、四分位距；用 SciPy 处理正态、二项、泊松分布及 PDF、CDF、分位数；提供独立样本 t 检验、卡方检验、A/B 测试双比例 z 检验框架，并计算 Cohen's d 效应量；用 NumPy 做矩阵乘法、转置、逆、行列式、特征值分解、SVD、线性方程组求解和余弦相似度；用 statsmodels 做多元线性回归并输出 R²、系数、p 值，用 scikit-learn 比较 OLS、Ridge、Lasso。
使用方式：示例以 Python 导入 numpy、scipy.stats、sklearn、statsmodels 后直接调用相应函数；资料未提供安装命令或独立 CLI。
适用场景：统计推断、A/B 测试、回归建模、降维与相似度计算等数据科学任务。
限制：资料未说明收费、平台、版本兼容细节；示例中的版本号仅为 2025 年参考。需注意 p 值受样本量影响、多重比较、多重共线性和异方差等问题，并先检查假设。