在线运行R:https://rdrr.io/snippets/ R入门教程
https://repl.it/languages/rlang
R 基础R常用代码
https://rstudio.cloud/projects

Scipy.stats:https://docs.scipy.org/doc/scipy/reference/stats.html
statsmodels:http://www.statsmodels.org/stable/py-modindex.html
DataFrame:http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.html#pandas.DataFrame
sklearn:http://scikit-learn.org/stable/modules/classes.html#module-sklearn.linear_model
Matplotlib subplot ax: https://matplotlib.org/api/axes_api.html
Seaborn https://seaborn.pydata.org/api.html
py-Bokeh作图包:http://bokeh.pydata.org/en/latest/docs/user_guide.html

CheatSheet：https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf

Pandas.read_csv pandas.to_csv

df = pd.read_csv('data.csv', encoding='utf-8')
df.to_csv('data.csv')

R

df<-read.table("save.dat")
df<-read.csv("file.csv")
write.table

http://blog.csdn.net/shenshaoqiu/article/details/78888602

http://www.statsmodels.org/stable/stats.html#module-statsmodels.stats.multitest
statsmodels.sandbox.stats.multicomp.multipletests
statsmodels.sandbox.stats.multicomp.MultiComparison

方法比较http://www.medsci.cn/article/show_article.do?id=73743429933
Python post hoc包：https://github.com/maximtrp/scikit-posthocs

|两两比较|LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法|

1.连续数据，正态分布，线性关系，用pearson相关系数是最恰当，当然用spearman相关系数也可以，
  就是效率没有pearson相关系数高。
2.上述任一条件不满足，就用spearman相关系数，不能用pearson相关系数。
3.两个定序测量数据之间也用spearman相关系数，不能用pearson相关系数。
用pearson处理的数据，必须满足一下条件：成对数据、连续、整体是正态分布的。

其实, Spearman 和Pearson相关系数在算法上完全相同. 只是PEARSON相关系数是用原来的数值计算积差相关系数, 而SPEARMAN是用原来数值的秩次计算积差相关系数.

Fisher最小显著差异法（Fisher's Least Significant Difference test ）
学生t检验(Student's t-test)
曼-惠特尼 U 检定（Mann-Whitney U）
回归分析（regression analysis）
相关性（correlation）
皮尔森积矩相关系数(Pearson product-moment correlation coefficient)
史匹曼等级相关系数（Spearman's rank correlation coefficient ）
卡方分布（chi-square ）

卡方检验