SciPy最新版本中ks_2samp documentation的注解部分给予对不同的零假设和备择假设的解释。
此检验比较两个独立样本的基本连续分布F（x）和G（x）。

• 减去：零假设是对于所有x，F（x）>= G（x）;替代假设是对于至少一个x，F（x）< G（x）。统计量是样本的经验分布函数之间的最小（最负）差异的大小。
• 更大：零假设是对于所有x，F（x）<= G（x）;另一种假设是对于至少一个x，F（x）> G（x）。统计量是样本经验分布函数之间的最大（最正）差异。

由于两个p值都很小，你有证据反对零假设，支持两个备择假设，这两个备择假设是 * 不 * 相互排斥的：至少有一个x * 的F（x）< G（x）和至少有一个x的 * F（x）> G（x）。
例如：

import numpy as np
from scipy import stats
import matplotlib.pyplot as plt

dist1 = stats.norm()
dist2 = stats.uniform(loc=-5, scale=10)
x = np.linspace(-5, 5, 300)

plt.plot(x, dist1.cdf(x), label='normal')
plt.plot(x, dist2.cdf(x), label='uniform')
plt.legend()

x1 = dist1.rvs(1000)
x2 = dist2.rvs(1000)

resL = stats.ks_2samp(x1, x2, alternative='less')
resG = stats.ks_2samp(x1, x2, alternative='greater')
print(resL.pvalue, resG.pvalue)
# 1.0166514431699959e-34 5.072797825961067e-38

字符串
x1c 0d1x的数据
x1（正态）基础分布的CDF在某些点上小于x2（均匀）基础分布的CDF，而在其他点上则大于x2（均匀）基础分布的CDF，因此该检验报告两种备选方案的p值都较小。