最大值、最小值、四分位数、均值
计算给定的数值型数据的最大值，最小值，四分位数，均值。
众数、方差、标准差
计算给定的数值型数据的众数，方差，标准差。
定量数据的统计图：直方图、线图、箱式图、误差条图、散点图、热图
绘制数值型数据的统计图：直方图、线图、箱式图、误差条图、散点图、热图。
定量数据的统计图：森林图
绘制森林图，用于展示Meta分析的统计汇总结果。
定性数据的统计图：直条图、饼图、百分条图
绘制类别型数据的统计图：直条图、饼图、百分条图。
K-M生存曲线
Kaplan-Meier（K-M）生存曲线是生存分析中一种非常重要的非参数方法，用于估计给定时间点的生存概率。
正态分布检验
用于检验数据是否服从正态分布。
单样本t检验、配对样本（非独立两样本）t检验
单样本t检验用于比较已知样本均值与已知总体均值的差异；配对样本（非独立两样本）t检验用于比较配对两样本的均值差异。
方差齐性检验
用于检验各样本的总体是否具有相同的方差。
两独立样本t检验：方差齐、方差不齐
用于比较两独立样本的均值差异。
单因素方差分析
用于检验一个分类自变量（因子）的不同水平（组别）对一个连续因变量的影响是否显著不同。它评估的是各组之间的平均数是否有统计学意义上的差异。
多个样本均数的两两比较（多重比较）
LSD检验，Bonferroni 法（比较次数不多，如小于5组），Dunnett检验（适用于多个试验组与一个对照组的比较，多对一），Tukey检验
多因素方差分析
用来研究两个或更多分类自变量（因子）对一个连续因变量的效应，同时考虑了各个因子之间的交互作用。
四格表资料的卡方检验
适用于两个二分分类变量的情况，即每个变量只有两种可能的值
配对四格表资料的卡方检验
通常用于同一组对象在两种不同条件下的测量结果，例如治疗前和治疗后
R×C 列联表资料的卡方检验
用于两个分类变量，其中一个或两个变量有多于两个的类别。R表示行数，C表示列数，所以表格可以是任何大小，只要它是一个矩形阵列。
配对资料Wilcoxon 符号秩和检验
该检验用于配对样本（例如，治疗前后的测量值），以确定两组相关样本的中位数是否有显著差异。它考虑了配对样本间的差异，并且只对这些差异的绝对值进行排序。
两独立样本Wilcoxon秩和检验
该检验用于比较两独立样本分别代表的总体分布位置有无显著差异。当数据不符合t检验的前提条件（如正态性和方差齐性）时，采用这种非参数检验更有意义。
多个独立样本Kruskal-Wallis秩和检验
该检验又称为 K-W 检验或 H 检验，这种方法主要用于推断多个独立样本计量资料或多组有序资料的总体分布位置有无显著差别。
散点图
散点图（Scatter Plot）是一种用于展示两个数值变量之间关系的统计图表，可用于探索相关性、识别异常值、评估分布情况、比较群体差异、拟合回归模型、多维数据可视化...
简单线性回归
线性回归是回归分析（用来评估变量之间关系的统计过程）的一种，评估的自变量X与因变量Y之间是一种线性关系。当只有一个自变量时，称为简单线性回归。
因变量预测-简单线性回归
构建简单线性回归，利用自变量来预测因变量
多元线性回归
线性回归是回归分析（用来评估变量之间关系的统计过程）的一种，评估的自变量X与因变量Y之间是一种线性关系。当具有多个自变量时，称为多元线性回归。
因变量预测-多元线性回归
构建多元线性回归，利用自变量来预测因变量
logistic回归
logistic回归是一种广义的线性回归分析模型，根据给定的自变量数据集来估计事件的发生概率，其因变量的范围在0和1之间。
因变量预测-logistic回归
构建logistic回归模型，利用自变量来预测因变量
log-rank检验
log - rank 检验主要用于评估两组或多组之间的生存时间分布是否存在统计学上的显著差异
Cox回归
Cox回归是一种用于分析生存数据的统计方法，主要用于研究影响生存时间的因素，它能评估自变量对事件发生风险的影响，通过估计风险比（HR）来量化每个协变量与事件发生率之间的关系，Cox回归不需要假设生存时间服从特定分布，可以处理删失数据。
多线折线图（Panel Line Chart）
多线折线图（Panel Line Chart）