在Python中，进行卡方检验通常使用`scipy.stats`模块中的`chi2_contingency`函数。这个函数可以用来计算卡方检验的统计量和p值，并判断两个分类变量之间是否独立。
以下是一个简单的例子，展示了如何使用`chi2_contingency`函数来进行卡方检验：
```python
from scipy.stats import chi2_contingency
假设有一个2x2的列联表
列联表中的数据，每一行代表一个分类变量，每一列代表另一个分类变量
contingency_table = [[10, 20], [20, 30]]
使用chi2_contingency函数进行卡方检验
chi2, p, dof, expected = chi2_contingency(contingency_table)
输出卡方统计量、p值、自由度和期望频数
print("Chi-squared Statistic:", chi2)
print("P-value:", p)
print("Degrees of Freedom:", dof)
print("Expected Frequencies:n", expected)
判断是否拒绝零假设（即两个变量独立）
alpha = 0.05 显著性水平
if p < alpha:
print("拒绝零假设，两个变量不独立。")
else:
print("不能拒绝零假设，两个变量可能独立。")
```
在这个例子中，`contingency_table`是一个2x2的列联表，表示两个分类变量之间的频数分布。`chi2_contingency`函数返回了卡方统计量、p值、自由度和期望频数。根据p值和显著性水平（通常为0.05），我们可以判断两个变量是否独立。
注意，卡方检验有一些前提条件，比如期望频数不能太小，所以使用前需要确保数据满足这些条件。
