1，可分為單變量統計分析、雙變量統計分析和多變量統計分析。單變量統計分析是對壹個變量的數量特征的描述和推斷，是最簡單、最基本的統計。包括兩個主要方面，即描述統計和推斷統計。
2、為編制發行系列提供依據；在統計分析階段，可以通過統計分組的方法，劃分現象類型，研究整體內部結構，比較不同類或組之間的差異(顯著性檢驗)，分析不同變量之間的相關性。
3.回歸分析:確定兩個或多個變量之間數量關系的統計分析方法。方差分析:用於檢驗兩個或兩個以上樣本差異的顯著性，通過分析不同來源的變異對總變異的貢獻來確定可控因素對研究結果的影響。
4.回歸分析回歸分析是確定兩個或多個變量之間數量關系的統計分析方法。
多元分析的統計分析
比如做壹個三因素三水平的交互正交表，選擇3作為選項因素數，選擇3作為水平數，點擊“開始分析”完成。實驗完成後，可以用方差分析進行研究。
Spss多元相關分析步驟:用壹般的方法——相關進行分析，結果格式為三線表格式，標準格式不需要重排。擴展數據的多元分析是指多元統計分析技術在社會研究中的應用。也稱為多變量分析。
先把邊分組，變量那麽多，哪些是解釋變量，哪些是被解釋變量。然後，我們可以做壹個簡單的描述性統計分析，然後分析它們之間的關系，比如相關、線性回歸或者對數線性回歸，或者檢驗這些解釋變量對被解釋變量的顯著性。
可以采用多元回歸分析方法，即把壹個變量作為因變量，其他變量作為自變量，建立多個變量之間非線性數學模型的數量關系，利用樣本數據進行分析的統計方法。
單變量統計分析是對壹個變量的數量特征的描述和推斷，是最簡單、最基本的統計。包括兩個主要方面，即描述統計和推斷統計。雙變量分析的目標是確定兩個變量之間的相關性，並衡量它們的預測或解釋能力。
代謝組學3。數據分析
代謝物提取壹般需要每組至少10個樣本；從所有提取的樣品中取等量的混合物作為QC；電腦上穿插QC樣本和實驗樣本，開頭十個QC，結尾三個QC，每十個樣本之間穿插壹個QC樣本。
在這裏，我們使用基於秩的檢驗方法，其中基因集富集分析(GSEA)是轉錄組數據背景下代謝路徑分析的常見例子，它也可以應用於代謝組數據。
代謝物的統計差異分析和生物信息學分析這部分分析與常規代謝組學壹致，主要進行壹維和多維統計分析、KEGG通路分析、表達相關分析、聚類溫譜圖、代謝物分類等分析。
python數據的統計分析
第壹階段:Python編程語言核心基礎快速掌握數據科學的有力工具。第二階段:Python數據分析基礎工具通過引入NumPy、Pandas、MatPlotLib、Seaborn等工具，迅速具備了數據分析的專業風格。
scipy包中的Stats模塊和statsmodels包是python中常用的數據分析工具。scipy.stats曾經有壹個models子模塊，後來被刪除了。這個模塊被重寫，成為壹個獨立的statsmodels包。
離群值是指數據中的離群值。這裏，超過上下四分位數之差5倍的範圍被定義為異常值。請檢查異常值的位置。