handstats 0.8.0__tar.gz

handstats-0.8.0/LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2026 HANHANme
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

handstats-0.8.0/PKG-INFO

@@ -0,0 +1,145 @@
+Metadata-Version: 2.4
+Name: handstats
+Version: 0.8.0
+Summary: 面向学习的数理统计工具包：假设检验 · 区间估计 · 回归 · 方差分析 · 无代码网页外壳
+License: MIT
+Keywords: statistics,education,hypothesis-testing,regression,anova,confidence-interval
+Classifier: Intended Audience :: Education
+Classifier: Topic :: Scientific/Engineering :: Mathematics
+Classifier: Programming Language :: Python :: 3
+Classifier: License :: OSI Approved :: MIT License
+Requires-Python: >=3.9
+Description-Content-Type: text/markdown
+License-File: LICENSE
+Requires-Dist: numpy>=1.22
+Requires-Dist: scipy>=1.11
+Provides-Extra: dev
+Requires-Dist: pytest>=7.0; extra == "dev"
+Provides-Extra: shell
+Requires-Dist: streamlit>=1.30; extra == "shell"
+Dynamic: license-file
+
+# handstats
+
+> 面向学习的数理统计工具包：假设检验 · 区间估计 · 回归 · 方差分析（建设中）
+
+`handstats` 与 scipy.stats 的差别只有一句话：**每个过程都输出手算核对表**——
+样本量、均值、标准差、标准误、统计量、自由度、p 值的每一步算式都逐行
+打印出来，方便和课本 / 考试手算互相核对。数值底层由 numpy / scipy 提供，
+正确性由与 scipy 的对拍测试保证。
+
+## 安装（开发模式，改代码立即生效）
+
+```bash
+cd handstats
+python -m pip install -e ".[dev]"
+python -m pytest          # 应当全部通过
+```
+
+## 快速上手
+
+```python
+import numpy as np
+from handstats import ttest_1samp, ci_mean
+
+rng = np.random.default_rng(2026)
+x = rng.normal(5.2, 1.3, size=16)
+
+res = ttest_1samp(x, mu0=5.0)
+print(res)          # 方法 / H0 / H1 / 统计量 / p 值 / 结论
+res.show_steps()    # 手算核对表：n、均值、s、SE、t、p 一步步列出
+res.reject          # True / False
+res.params          # {"n": 16, "df": 15, ...} 中间量都在
+
+ci = ci_mean(x)     # 均值 95% t 置信区间
+ci.show_steps()
+ci.contains(5.2)    # 检查区间是否覆盖真值
+```
+
+完整演示：`python examples/demo_quickstart.py`（入门）、
+`python examples/demo_phase1.py`（卡方 / F / 比例）、
+`python examples/demo_phase2.py`（区间估计）、
+`python examples/demo_glrt.py`（GLRT 似然比检验）、
+`python examples/demo_regression.py`（回归与预测）、
+`python examples/demo_anova.py`（方差分析与事后比较）
+
+全部可用过程一览：`python -m handstats` 或 `handstats.list_procedures()`
+
+## 目录结构与路线图
+
+```
+src/handstats/
+├── base.py           结果对象：TestResult / IntervalResult / FitResult（全包统一出口）
+├── validate.py       输入校验（全包共用的第一道关卡）
+├── distributions.py  分布层：scipy 的薄封装，未来自研数值算法的换芯点
+├── _registry.py      过程注册表：新过程挂上即被 list_procedures() 发现
+├── hypothesis/       假设检验   —— 已有 z/t/卡方/F/比例/GLRT
+├── interval/         区间估计   —— 已有均值/均值差/配对/方差/比例区间
+├── regression/       回归分析   —— 已有 OLS/非线性 + 诊断与预测；规划：GLM
+├── anova/            方差分析   —— 已有单/双因素、Tukey HSD、Levene
+├── nonparametric/    非参数检验 —— 预留：符号、秩和、KS
+├── resampling/       重抽样     —— 预留：Bootstrap、置换检验
+├── multivariate/     多元统计   —— 预留：Hotelling T2、PCA
+└── shell/            网页外壳   —— Streamlit 无代码界面（python -m handstats.shell）
+```
+
+| 阶段 | 内容 | 状态 |
+|---|---|---|
+| 0 | 包骨架 + 注册表 + 结果对象 + 黄金模板（z/t 检验、均值区间）+ 对拍测试 | ✅ 当前 |
+| 1 | 假设检验扩充：卡方拟合优度 / 独立性、F 方差齐性、单/双比例 z 检验 | ✅ |
+| 2 | 区间估计扩充：两样本均值差、配对、方差、比例 | ✅ |
+| — | 插队：GLRT 广义似然比检验（通用引擎 + 正态/指数均值实例） | ✅ |
+| 3 | 回归：一元 / 多元 OLS、显著性、诊断、非线性、预测区间 | ✅ |
+| 4 | 方差分析：单 / 双因素、ANOVA 表、Tukey HSD、Levene | ✅ |
+| — | 无代码网页外壳（Streamlit，`python -m handstats.shell`） | ✅ |
+| 5 | 打磨文档与示例、发布 PyPI | ⬜ 下一站 |
+
+## 如何新增一个统计过程（黄金模板四步）
+
+所有模块统一走 `hypothesis/tests_mean.py` 里的四步流水线：
+
+1. **校验** `validate`：`as_sample` / `check_alternative` / `check_alpha`；
+2. **计算**：纯 numpy 算统计量——数学只发生在这一步；
+3. **p 值** `distributions.p_value`：统计量 → p 值；
+4. **打包** `TestResult`，把每一步算式写进 `steps`。
+
+最后用 `@register("名字")` 挂上注册表，并在 `tests/` 里补一条与 scipy
+的对拍测试。
+
+## 无代码网页外壳（已上线）
+
+给不会 Python 的人用：网页表单选方法、粘贴数据（可直接从 Excel 复制）、
+填参数、看结论与手算核对表。
+
+```bash
+python -m pip install -e ".[shell]"     # 装 streamlit 依赖
+python -m handstats.shell                 # 浏览器自动打开 http://localhost:8501
+```
+
+22 个过程中 21 个已支持表单化（`nonlin_reg` 需要自定义模型函数，仍走
+代码调用）。外壳只依赖两个稳定接口——注册表（菜单自动发现）和统一
+结果对象（`str(res)` 给结论、`show_steps()` 给核对表）——新增过程后在
+`src/handstats/shell/specs.py` 加一个声明条目即可出现在菜单里。
+
+## 开发约定
+
+- 测试与源码 1:1：新检验不对拍不合入（对拍就是正确性的锚）；
+- 输出文本只用 GBK 安全字符（√ ² μ σ ≠ ≤ ≥ 等），保证中文 Windows
+  控制台 / 重定向不会因编码崩掉；
+- 包名 `handstats` 已确认在 PyPI 可用（原名 mystats 已被占用，2026-09 改名）。
+
+## 推送到 GitHub（第一次）
+
+先在 GitHub 网页上新建一个**空**仓库（不要勾选初始化 README），然后：
+
+```bash
+git remote add origin git@github.com:<你的用户名>/handstats.git
+git push -u origin main
+```
+
+`.github/workflows/tests.yml` 已配好：push 之后每次提交会自动在
+Ubuntu + 三个 Python 版本上跑测试，在仓库的 Actions 标签页查看。
+
+## 许可证
+
+MIT（见 LICENSE；记得把版权行改成你自己的名字）。

handstats-0.8.0/README.md

@@ -0,0 +1,124 @@
+# handstats
+
+> 面向学习的数理统计工具包：假设检验 · 区间估计 · 回归 · 方差分析（建设中）
+
+`handstats` 与 scipy.stats 的差别只有一句话：**每个过程都输出手算核对表**——
+样本量、均值、标准差、标准误、统计量、自由度、p 值的每一步算式都逐行
+打印出来，方便和课本 / 考试手算互相核对。数值底层由 numpy / scipy 提供，
+正确性由与 scipy 的对拍测试保证。
+
+## 安装（开发模式，改代码立即生效）
+
+```bash
+cd handstats
+python -m pip install -e ".[dev]"
+python -m pytest          # 应当全部通过
+```
+
+## 快速上手
+
+```python
+import numpy as np
+from handstats import ttest_1samp, ci_mean
+
+rng = np.random.default_rng(2026)
+x = rng.normal(5.2, 1.3, size=16)
+
+res = ttest_1samp(x, mu0=5.0)
+print(res)          # 方法 / H0 / H1 / 统计量 / p 值 / 结论
+res.show_steps()    # 手算核对表：n、均值、s、SE、t、p 一步步列出
+res.reject          # True / False
+res.params          # {"n": 16, "df": 15, ...} 中间量都在
+
+ci = ci_mean(x)     # 均值 95% t 置信区间
+ci.show_steps()
+ci.contains(5.2)    # 检查区间是否覆盖真值
+```
+
+完整演示：`python examples/demo_quickstart.py`（入门）、
+`python examples/demo_phase1.py`（卡方 / F / 比例）、
+`python examples/demo_phase2.py`（区间估计）、
+`python examples/demo_glrt.py`（GLRT 似然比检验）、
+`python examples/demo_regression.py`（回归与预测）、
+`python examples/demo_anova.py`（方差分析与事后比较）
+
+全部可用过程一览：`python -m handstats` 或 `handstats.list_procedures()`
+
+## 目录结构与路线图
+
+```
+src/handstats/
+├── base.py           结果对象：TestResult / IntervalResult / FitResult（全包统一出口）
+├── validate.py       输入校验（全包共用的第一道关卡）
+├── distributions.py  分布层：scipy 的薄封装，未来自研数值算法的换芯点
+├── _registry.py      过程注册表：新过程挂上即被 list_procedures() 发现
+├── hypothesis/       假设检验   —— 已有 z/t/卡方/F/比例/GLRT
+├── interval/         区间估计   —— 已有均值/均值差/配对/方差/比例区间
+├── regression/       回归分析   —— 已有 OLS/非线性 + 诊断与预测；规划：GLM
+├── anova/            方差分析   —— 已有单/双因素、Tukey HSD、Levene
+├── nonparametric/    非参数检验 —— 预留：符号、秩和、KS
+├── resampling/       重抽样     —— 预留：Bootstrap、置换检验
+├── multivariate/     多元统计   —— 预留：Hotelling T2、PCA
+└── shell/            网页外壳   —— Streamlit 无代码界面（python -m handstats.shell）
+```
+
+| 阶段 | 内容 | 状态 |
+|---|---|---|
+| 0 | 包骨架 + 注册表 + 结果对象 + 黄金模板（z/t 检验、均值区间）+ 对拍测试 | ✅ 当前 |
+| 1 | 假设检验扩充：卡方拟合优度 / 独立性、F 方差齐性、单/双比例 z 检验 | ✅ |
+| 2 | 区间估计扩充：两样本均值差、配对、方差、比例 | ✅ |
+| — | 插队：GLRT 广义似然比检验（通用引擎 + 正态/指数均值实例） | ✅ |
+| 3 | 回归：一元 / 多元 OLS、显著性、诊断、非线性、预测区间 | ✅ |
+| 4 | 方差分析：单 / 双因素、ANOVA 表、Tukey HSD、Levene | ✅ |
+| — | 无代码网页外壳（Streamlit，`python -m handstats.shell`） | ✅ |
+| 5 | 打磨文档与示例、发布 PyPI | ⬜ 下一站 |
+
+## 如何新增一个统计过程（黄金模板四步）
+
+所有模块统一走 `hypothesis/tests_mean.py` 里的四步流水线：
+
+1. **校验** `validate`：`as_sample` / `check_alternative` / `check_alpha`；
+2. **计算**：纯 numpy 算统计量——数学只发生在这一步；
+3. **p 值** `distributions.p_value`：统计量 → p 值；
+4. **打包** `TestResult`，把每一步算式写进 `steps`。
+
+最后用 `@register("名字")` 挂上注册表，并在 `tests/` 里补一条与 scipy
+的对拍测试。
+
+## 无代码网页外壳（已上线）
+
+给不会 Python 的人用：网页表单选方法、粘贴数据（可直接从 Excel 复制）、
+填参数、看结论与手算核对表。
+
+```bash
+python -m pip install -e ".[shell]"     # 装 streamlit 依赖
+python -m handstats.shell                 # 浏览器自动打开 http://localhost:8501
+```
+
+22 个过程中 21 个已支持表单化（`nonlin_reg` 需要自定义模型函数，仍走
+代码调用）。外壳只依赖两个稳定接口——注册表（菜单自动发现）和统一
+结果对象（`str(res)` 给结论、`show_steps()` 给核对表）——新增过程后在
+`src/handstats/shell/specs.py` 加一个声明条目即可出现在菜单里。
+
+## 开发约定
+
+- 测试与源码 1:1：新检验不对拍不合入（对拍就是正确性的锚）；
+- 输出文本只用 GBK 安全字符（√ ² μ σ ≠ ≤ ≥ 等），保证中文 Windows
+  控制台 / 重定向不会因编码崩掉；
+- 包名 `handstats` 已确认在 PyPI 可用（原名 mystats 已被占用，2026-09 改名）。
+
+## 推送到 GitHub（第一次）
+
+先在 GitHub 网页上新建一个**空**仓库（不要勾选初始化 README），然后：
+
+```bash
+git remote add origin git@github.com:<你的用户名>/handstats.git
+git push -u origin main
+```
+
+`.github/workflows/tests.yml` 已配好：push 之后每次提交会自动在
+Ubuntu + 三个 Python 版本上跑测试，在仓库的 Actions 标签页查看。
+
+## 许可证
+
+MIT（见 LICENSE；记得把版权行改成你自己的名字）。

handstats-0.8.0/pyproject.toml

@@ -0,0 +1,44 @@
+# pyproject.toml —— 包的“身份证”：名字、版本、依赖都在这里声明。
+# 本地开发用 `python -m pip install -e ".[dev]"` 安装（-e 可编辑模式，
+# 改源码立即生效，不用重装）。发布到 PyPI 时也用这个文件打包。
+
+[build-system]
+requires = ["setuptools>=64"]
+build-backend = "setuptools.build_meta"
+
+[project]
+name = "handstats" # 已确认 PyPI 可用（原名 mystats 已被占用，2026-09 改名）
+version = "0.8.0"
+description = "面向学习的数理统计工具包：假设检验 · 区间估计 · 回归 · 方差分析 · 无代码网页外壳"
+readme = "README.md"
+license = { text = "MIT" }
+requires-python = ">=3.9"
+keywords = ["statistics", "education", "hypothesis-testing", "regression", "anova", "confidence-interval"]
+classifiers = [
+    "Intended Audience :: Education",
+    "Topic :: Scientific/Engineering :: Mathematics",
+    "Programming Language :: Python :: 3",
+    "License :: OSI Approved :: MIT License",
+]
+dependencies = [
+    "numpy>=1.22",
+    "scipy>=1.11", # tukey_hsd 用 studentized_range 分布，scipy 1.11 才加入
+]
+
+[project.optional-dependencies]
+# 开发时的额外依赖：pip install -e ".[dev]" 会一并装上
+dev = ["pytest>=7.0"]
+# 无代码网页外壳：pip install -e ".[shell]" 后 python -m handstats.shell 启动
+shell = ["streamlit>=1.30"]
+
+[tool.setuptools.packages.find]
+# src 布局：真正的包代码在 src/handstats 下（现代 Python 包的标准做法，
+# 可以防止“不小心 import 到当前目录里的源码”这类坑）
+where = ["src"]
+
+[tool.setuptools.package-data]
+handstats = ["py.typed"]
+
+[tool.pytest.ini_options]
+testpaths = ["tests"]
+addopts = "-q"

handstats-0.8.0/setup.cfg

@@ -0,0 +1,4 @@
+[egg_info]
+tag_build = 
+tag_date = 0
+

handstats-0.8.0/src/handstats/__init__.py

@@ -0,0 +1,92 @@
+"""handstats —— 面向学习的数理统计工具包。
+
+设计理念
+--------
+1. 每个统计过程都返回“富结果对象”（TestResult / IntervalResult / FitResult），
+   而不是一个裸数字：统计量、p 值、结论、中间步骤一次拿全；
+2. steps 机制输出【手算核对表】：把教材里的每一步计算（标准误、统计量、
+   自由度、p 值来源）逐行打印，方便和考试手算互相核对；
+3. 底层数值统一走 distributions.py 一个接口（目前由 scipy 提供支持），
+   以后想换成自己实现的数值算法，只改那一个文件。
+
+目录结构（可延展性）
+--------
+hypothesis/     假设检验（已有 z/t/卡方/F/比例/GLRT）
+interval/       区间估计（已有均值/均值差/配对/方差/比例区间）
+regression/     回归分析（已有 OLS/非线性 + 诊断与预测）
+anova/          方差分析（已有单/双因素、Tukey、Levene）
+nonparametric/  非参数检验（预留）
+resampling/     Bootstrap / 置换检验（预留）
+multivariate/   多元统计分析（预留）
+
+无代码外壳（规划）：外壳遍历 list_procedures() 即可自动生成方法菜单，
+展示统一结果对象的 conclusion() / show_steps() 文本即可，
+新增过程时外壳自动发现、零改动。雏形见 `python -m handstats`。
+"""
+from __future__ import annotations
+
+from handstats._registry import PROCEDURES, register
+from handstats.anova import anova_oneway, anova_twoway, levene_test, tukey_hsd
+from handstats.base import FitResult, IntervalResult, TestResult
+from handstats.hypothesis import (
+    chisquare_gof,
+    chisquare_ind,
+    ftest_2samp_var,
+    glrt_exponential_mean,
+    glrt_normal_mean,
+    glrt_test,
+    ttest_1samp,
+    ttest_2samp_ind,
+    ztest_1prop,
+    ztest_1samp,
+    ztest_2prop,
+)
+from handstats.interval import (
+    ci_mean,
+    ci_mean_2samp,
+    ci_paired_diff,
+    ci_proportion,
+    ci_var,
+)
+from handstats.regression import lin_reg, nonlin_reg
+
+__version__ = "0.8.0"
+
+__all__ = [
+    "TestResult",
+    "IntervalResult",
+    "FitResult",
+    "ztest_1samp",
+    "ttest_1samp",
+    "ttest_2samp_ind",
+    "chisquare_gof",
+    "chisquare_ind",
+    "ftest_2samp_var",
+    "ztest_1prop",
+    "ztest_2prop",
+    "glrt_test",
+    "glrt_normal_mean",
+    "glrt_exponential_mean",
+    "ci_mean",
+    "ci_mean_2samp",
+    "ci_paired_diff",
+    "ci_var",
+    "ci_proportion",
+    "lin_reg",
+    "nonlin_reg",
+    "anova_oneway",
+    "anova_twoway",
+    "tukey_hsd",
+    "levene_test",
+    "register",
+    "list_procedures",
+]
+
+
+def list_procedures() -> dict:
+    """返回 {过程名: 函数}——当前已注册的所有统计过程一览。
+
+    将来做命令行界面或图形界面时，直接遍历这个注册表就能自动生成
+    “可用方法”菜单，不需要改动任何已有代码。
+    """
+    return dict(PROCEDURES)

handstats-0.8.0/src/handstats/__main__.py

@@ -0,0 +1,17 @@
+"""`python -m handstats`：命令行一览当前包里所有可用的统计过程。
+
+这是未来“无代码外壳”的雏形：外壳程序同样只需要遍历注册表，
+就能自动生成方法菜单——新增过程时不需要为它写任何界面代码。
+"""
+from handstats import __version__, list_procedures
+
+
+def main() -> None:
+    procs = sorted(list_procedures())
+    print(f"handstats v{__version__} —— 可用统计过程（{len(procs)} 个）：")
+    for i, name in enumerate(procs, start=1):
+        print(f"  {i:>2}. {name}")
+
+
+if __name__ == "__main__":
+    main()

handstats-0.8.0/src/handstats/_registry.py

@@ -0,0 +1,35 @@
+"""过程注册表：包里所有统计过程的“花名册”。
+
+设计目的（可延展性的关键一环）
+--------
+- 每写一个新过程（检验/区间/回归……），只要在函数头上加
+  @register("名字")，它就自动出现在 handstats.list_procedures() 里；
+- 将来做 CLI / GUI / 自动生成文档时，遍历 PROCEDURES 即可，零改动；
+- 重复登记同名过程会直接抛错，防止笔误悄悄覆盖别人的函数。
+"""
+from __future__ import annotations
+
+from typing import Callable
+
+# {过程名: 函数}。包内模块通过 @register 写入，外部通过 list_procedures() 读取。
+PROCEDURES: dict[str, Callable] = {}
+
+
+def register(name: str) -> Callable:
+    """装饰器：把一个统计过程登记进注册表。
+
+    用法::
+
+        @register("ttest_1samp")
+        def ttest_1samp(x, mu0, ...):
+            ...
+    """
+
+    def decorator(func: Callable) -> Callable:
+        if name in PROCEDURES:
+            raise ValueError(f"过程名 {name!r} 已被注册，请换一个名字")
+        PROCEDURES[name] = func
+        func._procedure_name = name # 反查用：从函数找到它的注册名
+        return func
+
+    return decorator

handstats-0.8.0/src/handstats/anova/__init__.py

@@ -0,0 +1,17 @@
+"""方差分析子包（阶段 4）。
+
+已有：
+- anova_oneway：单因素方差分析（ANOVA 表、η² 效应量）
+- tukey_hsd：事后多重比较（族错误率控制在 α，Tukey-Kramer 支持不等样本量）
+- levene_test：方差齐性检验（Levene / Brown-Forsythe，ANOVA 的前提检查）
+- anova_twoway：双因素（无重复 r×c / 等重复 r×c×m 含交互检验），
+  返回复合结果 TwoWayResult
+
+规划：随机区组设计、非平衡双因素、多元方差分析（见 multivariate）。
+"""
+from handstats.anova.levene import levene_test
+from handstats.anova.oneway import anova_oneway
+from handstats.anova.posthoc import tukey_hsd
+from handstats.anova.twoway import TwoWayResult, anova_twoway
+
+__all__ = ["anova_oneway", "anova_twoway", "tukey_hsd", "levene_test", "TwoWayResult"]

handstats-0.8.0/src/handstats/anova/levene.py

@@ -0,0 +1,68 @@
+"""方差齐性检验：Levene / Brown-Forsythe（做 ANOVA 前的前提检查）。
+
+原理很巧：把每个观测换成“到组中心的绝对离差”z_ij = |y_ij - 中心_i|，
+再对 z 做一遍单因素 ANOVA——方差大的组，离差的平均幅度自然也大。
+中心用均值 = 经典 Levene；用中位数 = Brown-Forsythe（对偏态/离群更稳健）。
+"""
+from __future__ import annotations
+
+import numpy as np
+
+from handstats import distributions
+from handstats._registry import register
+from handstats.base import TestResult
+from handstats.anova.oneway import _as_groups, _oneway_core
+from handstats.validate import check_alpha
+
+
+@register("levene_test")
+def levene_test(groups, alpha=0.05, center="mean"):
+    """Levene 方差齐性检验：H0: k 个总体方差全相等。
+
+    参数
+    ----
+    groups : 若干组样本的序列
+    center : "mean" 经典 Levene（正态数据下功效高）；
+             "median" Brown-Forsythe（数据偏态或有离群点时更稳健）
+    alpha : 显著性水平
+
+    注：两总体场合可用 hypothesis.ftest_2samp_var（精确 F 检验，
+    但要求正态）；多总体场合用本检验。
+    """
+    alpha = check_alpha(alpha)
+    center = str(center).strip().lower()
+    if center not in ("mean", "median"):
+        raise ValueError(f'center 只能是 "mean" 或 "median"，收到 {center!r}')
+    arrays = _as_groups(groups)
+
+    if center == "mean":
+        centers = [float(np.mean(a)) for a in arrays]
+        desc = "均值"
+    else:
+        centers = [float(np.median(a)) for a in arrays]
+        desc = "中位数（Brown-Forsythe）"
+    z = [np.abs(a - c) for a, c in zip(arrays, centers)]
+    core = _oneway_core(z)
+    W = core["f_stat"]
+    p = distributions.f_sf(W, core["df_a"], core["df_e"])
+
+    centers_str = ", ".join(f"{c:.6g}" for c in centers)
+    steps = [
+        f"组数 k = {core['k']}，各组中心（{desc}） = ({centers_str})",
+        "离差 z_ij = |y_ij - 组中心|（若方差齐，各组 z 的平均水平应接近）",
+        f"对 z 做单因素 ANOVA：W = MS_A/MS_E = {W:.6g}，"
+        f"df = ({core['df_a']}, {core['df_e']})",
+        f"p = P(F ≥ W) = {p:.6g}（F 分布）",
+    ]
+    return TestResult(
+        statistic=W,
+        pvalue=p,
+        method=f"Levene 方差齐性检验（{desc}）",
+        alternative="greater",
+        alpha=alpha,
+        h0=f"{core['k']} 个总体方差全相等",
+        h1="至少有两个总体方差不相等",
+        params={"k": core["k"], "df_a": core["df_a"], "df_e": core["df_e"],
+                "centers": centers, "center": center},
+        steps=steps,
+    )