独立样本与配对样本的区分：
独立样本：指的是两组样本的数据来源互不干扰，例如两组不同的人或者两组不同的实验数据。
配对样本：指的是两组样本的数据是成对出现的，例如同一组人在不同时期或在不同条件下的实验数据。
选择检验方式的区别：
独立样本：大样本用z检验，小样本用t检验；
配对样本：都用t检验。
在计算p值的时候的区别：
独立样本t检验：关注重点是两组数据均值的差;
配对样本t检验：先求数据的差值再进行单样本t检验。
举个例子：
独立样本的均值差的检验案例：为了检验男生和女生的数学成绩有没有差异，某学习随机抽了20名学生。由于样本量小于30，属于小样本的假设检验，而男女两组样本数据属于 独立样本，因此小样本的独立样本的均值差检验应该 选择t检验。
处理样本数据：
# 导入数据
students_data = {
'name':['A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T'],
'gender':['male','male','female','male','female','male','male','female','female','female','male','female','male','male','female','male','female','male','female','male'],
'grades':[76,82,86,82,35,77,76,91,76,91,96,88,96,78,86,78,67,91,76,89]}
# 转换格式
students_test_data = pd.DataFrame(students_data,columns=['name','gender','grades'])
# 筛选两组样本的值
male = students_test_data.query('gender == "male"')["grades"]
female = students_test_data.query('gender == "female"')["grades"]
# 转化为数组型
male = np.array(male)
female = np.array(female)
print(male)
print(female)代码详解：
导入数据采用的是字典，{}表示的是字典格式。以键值对的形式呈现，键和值中间用冒号分隔：{"name": "Tom", "age": 18}。
DataFrame()可以把数据转为DataFrame 格式，columns参数则指定了数据框中每列的名称。
query()表示从DataFrame中选择符合特定条件的行，括号里的'gender == "male"'表示筛选gender的值为male的行。query()[]表示筛选行和列，筛选gender的值为male的行对应的grades列。
计算t值和p值：
stats.ttest_ind(male, female, equal_var = False)计算出的p值0.34远大于0.05，说明两组样本并没有差异。结果是男女成绩并没有差异。