非参数统计成对数据检验，利用Wilcoxon符号秩检验和符号检验两种方法。

首先确保环境内安装scipy、numpy库，如未安装利用：pip install +库名进行安装

from scipy.stats import wilcoxon
# 假设我们有两组样本数据old method和new method，每个样本有8个观测值
old = [572, 574, 631, 591, 612, 592, 571, 634]
new = [609, 596, 641, 603, 628, 611, 599, 660]
# 使用Wilcoxon符号秩检验计算p值
statistic, p_value = wilcoxon(old, new, alternative="less")
# 如进行单侧检验，需要将Wilcoxon函数的alternative参数设置为'less'或'greater'
# 如进行双侧检验，需要将Wilcoxon函数的alternative参数设置为'two-sided'
print("Wilcoxon符号秩检验结果：")
print("统计量W：", statistic)
print("p值：", p_value)
# 这个例子中，p值为0.0039<0.05，因此拒绝零假设（即认为两组样本有显著差异）

import numpy as np
def sign_test_new(x, y, alpha=0.05):
    """    使用符号检验进行成对数据的非参数检验
    :param x: 第一个样本数组
    :param y: 第二个样本数组
    :param alpha: 显著性水平，默认为0.05
    :return: 是否拒绝原假设，p值    """
    n = len(x)
# 计算差值
    d = x - y
# 计算正差值和负差值的个数
    positive_count = np.sum(d > 0)
    negative_count = np.sum(d < 0)
# 计算k统计量
    k = min(positive_count,negative_count)
    print("\n符号检验结果：")
    print("k统计量:", k)
# 计算p值
    def multiplication(i):
        sum2 = 1
        for j in range(1, i + 1):
            sum2 *= j  # 使用迭代的方法对阶乘进行计算，
        return sum2
    mul = 0
    for i in range(k+1):
        mul += multiplication(i)
    p = (1/2) ** n * mul
# 判断是否拒绝原假设
    if p < alpha:
        return True, p
    else:
        return Flase, p
# 示例
x = np.array([572, 574, 631, 591, 612, 592, 571, 634])
y = np.array([609, 596, 641, 603, 628, 611, 599, 660])
reject, p = sign_test_new(x, y)
print("p值：{:.8f}".format(p))
print("是否拒绝原假设：", reject)