t-test 和 ANOVA 经常使用，更多地用于统计数据分析，这对于数据科学家来说是“必须知道”的，但不一定是他们的日常工作。你越是研究医学/生物统计学或社会科学，你就会看到它们被更多地使用。

例如，在数据科学家的日常生活中，特征选择问题就是 ANOVA 提供帮助的情况之一。例如，想象分类问题中的数字特征和离散类。选择好的特征的一种方法是比较每个类的特征值的分布，看看这些分布是否有显着差异。

我还在一个小样本项目中使用过一次 Wilcoxon 测试，我试图识别复杂网络中的模式，该模式是从两个控制组的时间序列创建的。故事是看这些网络的哪些特征（中心性度量、聚类系数、平均路径长度等）产生显着差异（因此可用于识别，即分类问题）。

这种差异是这两组之间特征值分布之间的差异，其中这些分布不一定是高斯分布。Wilcoxon 在那里帮了大忙，因为两组之间某些特征的一些大胆差异实际上在统计上并不显着，如果没有这样的测试，分析可能会走错路。

希望它有所帮助！

我在日常生活中仍然使用的东西：

• t检验
• 处理缺失数据的插补技术（太痛苦了！）
• 时间序列数据的 ACF、PACF 图
• 标准化技术（例如 Z 分数）
• 回归诊断（较少）
• 与上述相关：Shapiro-Wilk test for Normality of a distribution

我将继续编辑此答案，并在出现时添加内容。

作为入门级分析师，我在日常工作中使用这些概念

• T检验
• 方差分析
• 卡方