此检验可以使用permutation_test执行。使用permutation_type='samples'，它会“置换”观察值的符号。假设数据已按上述方式生成，则检验可以按如下方式执行：

from scipy import stats
def t_statistic(x, axis=-1):
    return stats.ttest_1samp(x, popmean=0, axis=axis).statistic

res = stats.permutation_test((rvs,), t_statistic, permutation_type='samples')
print(res.pvalue)

如果您只关心p值，则可以使用np.mean代替t_statistic作为统计量来获得相同的结果。
不可否认，只有一个示例的permutation_type='samples'的这种行为在文档中有一点隐藏。
因此，如果数据仅包含一个样本，则通过独立地改变每个观测的符号来形成零分布。
但是，产生相同p值的检验也可以作为双样本检验来执行，其中第二个样本是数据的负数。为了避免特殊情况，这实际上是permutation_test在幕后所做的。
在本例中，上面的示例代码比permutation_test快得多。不过，我将尝试在SciPy 1.10中改进这一点。

基于当前的docs，使用permutation_test函数似乎无法实现单样本t检验的等效性。但是可以使用numpy实现它，如下所示。这基于R实现（发现here）和this线程已交叉验证，可选择进行单侧检验和针对特定平均值的检验。

import numpy as np

def permutation_ttest_1samp(
    data, popmean, n_resamples, alternative='two-sided', random_state=None
):

    assert alternative in ('two-sided', 'less', 'greater'), (
        "Unrecognized alternative hypothesis"
    )

    n = len(data)

    data = np.asarray(data) - popmean
    dbar = np.mean(data)

    absx = np.abs(data)
    z = []

    rng = np.random.RandomState(random_state)

    for _ in range(n_resamples):
        mn = rng.choice((-1,1), n, replace=True)
        xbardash = np.mean(mn * absx)
        z.append(xbardash)
    z = np.array(z)

    if alternative == 'greater':
        return 1 - (np.sum(z <= -np.abs(dbar)) / n_resamples)
    elif alternative == 'less':
        return np.sum(z <= -np.abs(dbar)) / n_resamples
    return (
        (np.sum(z >= np.abs(dbar)) + np.sum(z <= -np.abs(dbar))) / n_resamples
    )

示例1（针对平均值0的零假设的双侧检验）：

rng = np.random.RandomState(42)
rvs = rng.normal(loc=0, scale=0.01, size=1000)

pval = permutation_ttest_1samp(rvs, 0, 100_000, alternative='two-sided', random_state=42)
print(pval)

# 0.53206

与参数化t检验比较：

from scipy.stats import ttest_1samp

stat, pval = ttest_1samp(rvs, popmean=0, alternative='two-sided')
print(pval)

# 0.5325672436623021

示例2（针对非0均值零假设的单侧检验）

rng = np.random.RandomState(42)
rvs = rng.normal(loc=0, scale=3, size=1000)

pval = permutation_ttest_1samp(rvs, 0.1, 100_000, alternative='greater', random_state=42)
print(pval)

# 0.6731

与参数化t检验比较：

from scipy.stats import ttest_1samp

stat, pval = ttest_1samp(rvs, popmean=0.1, alternative='greater')
print(pval)

# 0.6743729530216749