用途：对数据做统计分析与结果验证，支持 A/B 测试、实验设计与统计显著性判断。
主要能力：描述性统计（均值、标准差）；假设检验（单样本/双样本/配对 t 检验、卡方、单因素 ANOVA）；置信区间；相关分析（Pearson、Spearman）；分布与抽样（正态分布、随机采样、Shapiro-Wilk 正态性检验）；A/B 测试框架（返回是否显著、p 值与相对提升）。
使用方式：以 Python 的 scipy.stats 与 numpy 调用。示例：stats.ttest_ind(group1, group2) 计算双样本 t 检验；chi2_contingency(observed) 处理分类数据；stats.f_oneway(group1, group2, group3) 做多组比较；stats.t.interval 计算置信区间；stats.pearsonr/spearmanr 计算相关。
结果解读：p 值小于 0.05 表示拒绝原假设（统计显著）；大于等于 0.05 表示不拒绝原假设（不显著）。
限制与注意事项：需注意多重比较未校正、样本量过小、忽略正态性与独立性假设、混淆相关与因果、p-hacking。若数据非正态可用 Mann-Whitney U 等非参数方法；方差不齐可检查 Levene 检验并使用 Welch t 检验；离群值可用 z 分数检测或使用中位数与 MAD 等稳健统计。多重比较可用 Bonferroni 等方法校正；样本量可用 TTestIndPower 估算。建议依据功效分析、正态性检验、方差齐性检验、离群值检查等调试清单执行，并报告效应量而非仅报告 p 值。