5.4 分布分析

本章学习目标：

• 理解什么是数据分布、为什么要看分布
• 认识正态分布：长什么样、为什么常见、有什么规律
• 理解偏态数据：正偏（右偏）和负偏（左偏）意味着什么
• 学会从分布形状中发现业务洞察
• 核心能力：不只看“平均”，还要看“分布”

一、什么是分布？

1.1 核心定义

数据分布描述的是一个数据集中，不同数值出现的“频率”或“密度”——哪些数值出现得多，哪些出现得少。

通俗理解：把数据画成直方图，你看到的“形状”就是分布。

1.2 为什么要看分布？

1.3 一个经典例子：两个班级的考试成绩

两个班平均分都是80分，但分布完全不同：

只靠平均值：两个班都是80分 → 一样好

看分布后：

• A班：成绩集中在70-90分，分布相对集中
• B班：成绩分布在60-90分，有更多学生偏低分

洞察：平均值相同，分布不同，教学策略也应该不同。

1.4 业务中为什么要看分布？

二、正态分布

2.1 正态分布长什么样？

正态分布（Normal Distribution）是统计学中最重要、最常见的分布形态，在图形上呈现为一条对称的“钟形曲线”。

视觉特征：

• 中间高，两边低
• 左右对称
• 大部分数据集中在中心附近

2.2 正态分布的“形状”描述

2.3 为什么正态分布这么常见？

很多自然现象和社会现象都近似服从正态分布：

核心原因：当许多独立因素叠加共同影响一个结果时，这个结果往往呈正态分布（中心极限定理）。

2.4 正态分布的百分比规律（68-95-99.7法则）

在正态分布中，数据在均值周围的分布是有规律的：

实际含义（以身高为例，均值170cm，标准差10cm）：

业务应用：当需要定义“什么算异常”时，可以用±2σ或±3σ作为阈值。

2.5 如何判断数据是否接近正态分布？

三、偏态分布

3.1 什么是偏态？

当数据分布不对称时，称为偏态分布。分两种情况：

3.2 正偏态（右偏）

长什么样：

• 大部分数据集中在左侧（低值区域）
• 右侧有一条长尾，延伸到高值
• 均值被少数高值拉向右方

典型例子：

业务含义：

案例分析：某App用户月消费分布（正偏）

┌─────┐ │ │ ┌──┴─────┴──┐ │ │ ┌──┴───────────┴──┐ │ │ ┌──┴─────────────────┴──┐ │ │ └────────────────────────┴──→ 消费金额（元） 0 100 500 1000 5000+

洞察：5%的用户贡献了35%的消费 → 典型的“二八定律”

3.3 负偏态（左偏）

长什么样：

• 大部分数据集中在右侧（高值区域）
• 左侧有一条长尾，延伸到低值
• 均值被少数低值拉向左方

典型例子：

业务含义：

3.4 回顾二手车数据集：价格分布

二手车价格分布通常是正偏态（右偏）：

┌─────┐ │ │ ┌──┴─────┴──┐ │ │ ┌──┴───────────┴──┐ │ │ ┌──┴─────────────────┴──┐ │ │ ┌──┴────────────────────────┴──┐ │ │ └───────────────────────────────┴──→ 价格（元） 0 2000 5000 10000 20000+

业务含义：

• 多数二手车价格在2000-5000元区间
• 少数高端车拉高了均价
• 对建模的启示：可以对价格做log变换，使其更接近正态分布，提升模型效果

四、其他常见分布形态

4.1 均匀分布

长什么样：所有数值出现的频率大致相同。

例子：

• 骰子的点数（每个面概率≈1/6）
• 随机数生成器

业务含义：数据没有集中趋势，各区间差异不大。

4.2 双峰分布（多峰分布）

长什么样：有两个（或多个）明显的高峰。

例子：

• 混合两个不同群体：小学生身高（低峰）+ 中学生身高（高峰）→ 两个峰
• 周末 vs 工作日的网站访问量

业务含义：数据可能来自两个不同的群体或状态，需要分组分析。

4.3 分布形态速查表

五、分布分析的业务价值

5.1 发现异常

问题：数据中是否存在不应该出现的值？

5.2 指导数据处理

5.3 辅助业务决策

案例：电商用户消费分布分析

六、二手车数据分布实战分析

6.1 价格分布

业务洞察：

• 多数二手车价格集中在2000-5000元
• 少数高端二手车（如豪华品牌）价格在20000元以上
• 整体分布右偏，符合预期

建模启示：价格右偏 → 目标变量可能需要做对数变换（log price）。

6.2 车龄分布

业务洞察：

• 3-5年车龄的车辆最多（二手车交易的主力军）
• 车龄分布近似正态，峰值在3-5年

6.3 功率分布

业务洞察：

• 大多数车辆功率在80-150马力（家用车主力区间）
• 少数高性能车功率较高，形成右侧长尾

6.4 里程分布

业务洞察：

• 多数车辆里程在5-15万公里
• 少数高里程车辆形成右尾

七、如何向AI描述分布分析需求

八、本章总结

核心知识点速记

分布形态快速识别

核心心法

“平均值告诉你‘中心’，分布告诉你‘形状’。只看平均值会忽略重要信息——极端值、双峰、偏斜——这些‘形状’里藏着业务故事。”

九、思考题

1. 一个城市的“平均工资”是8000元，但大部分人感觉自己的工资“被平均了”。这通常意味着收入分布是什么形态？为什么？

2. 某产品的用户使用时长分布呈正偏（右偏）——大部分用户使用时间短，少数重度用户使用时间长。这应该怎么解读？对产品策略有什么启示？

3. 正态分布有一个“68-95-99.7法则”。如果你们公司的员工绩效评分近似正态分布，均值75，标准差8，那么大约有多少人得分在59-91之间？

4. 一家餐厅的顾客等待时间分布：多数人在5-10分钟等到座位，少数人需要等20-30分钟。这个分布是正偏还是负偏？对餐厅管理有什么建议？

5. 你对价格列做了log变换后，分布变得更接近正态分布了。这个操作对后续的预测建模有什么帮助？