可以使用Python中的pandas和scipy库来处理数据并计算p值。下面是使用循环计算p值的示例代码：

import pandas as pd from scipy.stats import ttest_ind

data1 = pd.read_csv("data1.csv") data2 = pd.read_csv("data2.csv") data3 = pd.read_csv("data3.csv")

datasets = [data1, data2, data3]

for df in datasets: group1 = df.loc[df['group'] == 1]['value'] group2 = df.loc[df['group'] == 2]['value'] t_stat, p_val = ttest_ind(group1, group2) print("p-value for", df, ":", p_val)

代码首先使用pandas读取不同的csv文件并将它们存储在一个列表（datasets）中。接着，循环遍历每个数据框（df）并按组获取值。最后使用ttest_ind函数计算t统计值和p值，并将其打印出来。

如果希望将计算p值的代码封装在一个函数中，则可以使用以下示例代码：

import pandas as pd from scipy.stats import ttest_ind

def calculate_p_values(dataframes): results = [] for df in dataframes: group1 = df.loc[df['group'] == 1]['value'] group2 = df.loc[df['group'] == 2]['value'] t_stat, p_val = ttest_ind(group1, group2) results.append(p_val) return results

数据框列表传递给calculate_p_values函数，函数遍历每个数据框并计算p值。最后将结果存储在另一个列表（结果）中并返回该列表。