百度百科的解釋：

卡方檢驗：

就是用來驗證兩個類別變數是否獨立，還是相關

就是統計樣本的實際觀測值與理論推斷值之間的偏離程度，實際觀測值與理論推斷值之間的偏離程度就決定卡方值的大小，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若兩個值完全相等時，卡方值就為0，表明理論值完全符合。

例子：

python 卡方檢驗：

scipy.stats.chi2_contingency列聯表中變數獨立性的卡方檢驗

chi2_contingency(observed, correction=True, lambda_=None)

引數：

observed：列聯表，可有pd.crosstab，生成

correction ：如果為True，並且自由度為1，則應用Yates校正以保持連續性。校正的效果是將每個觀察值向相應的期望值調整0.5

lambda_：float或str，可選。預設情況下，此測試中計算的統計量是Pearson的卡方統計量。lambda_允許使用Cressie-Read功率散度族的統計量來代替。有關power_divergence

返回：

chi2：float，卡方值

p：float，p值

dof：int，自由程度

expected：ndarray，預期頻率，基於表的邊際總和

官網例子：https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.chi2_contingency.html#r564

from scipy.stats import chi2_contingency
obs = np.array([[10, 10, 20], [20, 20, 20]])
chi2_contingency(obs)

'''
obs 輸出：
array([[10, 10, 20],
       [20, 20, 20]])

卡方檢驗輸出：
(2.7777777777777777,
 0.24935220877729622,
 2,
 array([[12., 12., 16.],
        [18., 18., 24.]]))
 
'''

我們也可以寫函式處理

def chi_test(x, y):
    """皮爾遜卡方獨立檢驗: 衡量特徵的區分度  \n
    引數:
    -----------
    x: array-like, 一維，離散型特徵變數  \n
    y: array-like，一維，另一個離散型特徵變數。當 y 為目標變數時，此檢驗可以衡量特徵區的分度  \n
    返回值:
    ----------
    chi_result: dict, 卡方檢驗結果, 其中:  \n
        鍵'Value'是卡方值,  \n
        鍵'Prob'是檢驗的 p 值，值越小， x 與 y 之間的關聯性越強/ 區分度越大   \n
        鍵'LLP'是 -log(Prob)，值越大， x 與 y 之間的關聯性越強   \n
        鍵'DF'是卡方值的自由度.
    """
    from scipy.stats import chi2_contingency
    tab = pd.crosstab(x, y).fillna(0)
    chi_value, p_value, def_free, _ = chi2_contingency(tab)
    return {'DF': def_free, 'Value': chi_value, 'Prob': p_value, 'LLP': -np.log(p_value)}

當類別型變數特別多的時候，我們需要寫一個for迴圈去處理

#main_people是裝有類別變數明細資料的表
chi_df_1 = pd.DataFrame(columns=['name1','name2','chi_value','chi_p','DF','LLP'])  #首先創造一個空的表，用於下面的append使用
for i in range(2,17): #這個是類別變數位置
    
    for j in range(i+1,17):  #主要為了不重複計算
        chi_df = pd.DataFrame()  #臨時存放資料，打工的
        chi_df['name1'] = [list(main_people.columns)[i]]  #記住要lis，不能是string
        chi_df['name2'] = [list(main_people.columns)[j]]
        chi_result = pc.chi_test(main_people.iloc[:,i].values,main_people.iloc[:,j].values)
        chi_df['chi_value'] = [chi_result['Value']]
        chi_df['chi_p'] = [chi_result['Prob']]
        chi_df['chi_DF'] = [chi_result['DF']]
        chi_df['chi_LLP'] = [chi_result['LLP']]
        chi_df_1 = chi_df_1.append(chi_df)
        

chi_df_1