乐趣区

关于mysql:统计科学之你到底偏哪边的

明天咱们来聊聊统计学中的偏态散布,聊偏态散布以前咱们先看看正态分布,上面这张图在公众号文章中屡次呈现,就是传说中的正态分布。

这张图中的横轴是随机变量 x 的具体值,正态分布的中心点是随机变量 x 的均值 μ,以均值为核心,而后向两边扩散,既然是均值,那必定就有比均值大的值,也有比均值小的点,咱们用标准差 σ 示意数据集的离散水平,也就是间隔均值 μ 的远近。

纵轴是 x 对应的概率密度。咱们应该都晓得概率,是用来示意一个值或一种状况呈现的可能性大小。而概率密度等于一段区间 (随机变量 x 的取值范畴) 的概率除以该段区间的长度。

横轴与纵轴围成的面积示意横轴 x 对应的这个区间呈现的概率。

x 轴标记出了 7 个点,别离为:μ、u+σ、u-σ、u+2σ、u-2σ、u+3σ、u-3σ,即间隔均值 1 倍、2 倍、3 倍、3 倍以上标准差的间隔。

能够看到有 64.2%(34.1+34.1)的数据集中在 (u-σ,u+σ) 之间,有 27.2% 的数据位于 (u±σ,u±2σ) 之间, 有 4.2% 的数据位于(u±2σ,u±3σ),剩下的就是(u±3σ,∞)。阐明大部分数据还是集中在平均值左近的,而咱们生存中的很多事件都是合乎正态分布的,这也就是为什么能够用平均值来代替整体程度的一个起因,比方均匀身高、平均工资等等。

尽管大多数状况下数据是正态分布的,然而也有不是正态分布的状况,这个时候就是偏态散布了,偏态散布有两种,左偏和右偏。长尾在哪边就是哪篇,上面第一张图的长尾在右边就是左偏,最初一张图的长尾在左边就是右偏。

如果是左偏,阐明大多数是集中在左边的,即众数 > 中位数 > 均值;如果是右偏,阐明大多数是集中在右边的,即众数 < 中位数 < 均值。

咱们能够用偏态系数来掂量具体的偏离水平,偏态系数大于 0 则右偏,小于 0 则左偏,值越大越偏。

在 Python 中要计算某一列的偏态系数能够应用如下代码:

# 计算 col 列的偏态系数
df["col"].skew()

因为事实中很多数据是合乎正态分布的,很多模型也都是假如数据是遵从正太散布的,比方方差分析中,就是假如数据是遵从正态分布的。如果你的数据是偏态散布的时候,这个时候能够对数据进行转换,从偏态数据转换成正态数据,常见的转换就是原始数据取对数。

在 Python 中能够应用上面代码对数据取对数。

# 对 x 取对数 
import math
math.log(x)

统计学中为什么要对变量取对数:
https://www.zhihu.com/questio…

退出移动版