第1个回答 2022-07-22
统计学是数据分析的基石，也是数据分析师的根本。学了统计学，你会发现很多时候的分析并不靠谱。比如很多人都喜欢用平均数去分析一个事物的结果，但是这往往是粗糙的，不准确的。如果学了统计学，那么我们就能以更多更科学的角度看待数据。用统计学作为数据分析的支撑和方向，使得分析结果更加有底气。本文主要分享 描述性统计 理论结合对应的python实现方式，更好的帮助大家将统计学应用到实际工作中。
描述性统计是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间关系进行评估和描述的方法。
缺点：极易受异常值的影响
解决：结尾均值或者取中位数
①加权平均：给平台用户打分（近三个月的消费频次R，消费间隔F、消费金额M）
这时我们要和业务沟通，可以依据业务经验给这三个维度一个权重值，注意权重总和为1
假如现在的权重值是【0.2,0.3.0.5】
将用户ID 为 1 用户的F值提升了1倍，总的评分才上升了3，这样的结果明显不够准确，这是大家很容易忽略的一点，造成这个问题的原因是因为量纲不一致，RF和M的值相差过大。可以通过对原始数据进行标准化和归一化解决。
通过标准化数据会发现，ID是1 的用户排名变成了第二，虽然消费金额不高，但是消费频次是最高的，所以对应评分是高的。标准化和归一化主要的目的，是帮助我们解决量纲不一致的问题，加权平均之前要解决量纲不一致问题，而加权平均应用场景是打分，用来做精准营销和广告投放等。
②均值使用的误区
第一天，有10 个用户，共充值了50块钱，人均充值了5块钱
第二天，有15个用户，共充值了90块钱，人均充值了6块钱
第三天，有8个用户，总共充值了64块钱，人均充值了8块钱
问这三天的日平均消费金额是多少？
将数据从小到大排序，取中间的数（偶数：中间两个数的平均值）
中位数代表一个样本，种群和概率分布中的一个数值，将其划分为上下相等两部分，中位数和均值越接近，说明异常值较少。
出现次数最多的数（占比例最大，适用于非数值型数据）
解决数据如何散布再从最小值到最大值的区间上的信息，第p个百分位数，表示至少有p%的观测值小于或者等于该值，且至少有（100-p）%的观测值大于或者等于该值
解释：至少有51%的观测值小于或等于5030，至少有49%的观测值大于5030
四分位数：第一四分位数Q1,第二四分位数Q2,第三四分位数 Q3
Q1 = 25%百分位数
Q2 = 50%百分位数 = 中位数
Q3 = 75%百分位数
标准差是一组数值自平均值分散开来的程度的一种测量概念。一个较大的标准差，代表大部分的数值和平均值差距较大；一个较小的标准差，代表这些数值和平均值接近。
结论：标准差越小，代表发挥越稳定，选A。
极差 = 最大值 - 最小值 , 极易受到异常值的影响
偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布的非对称程度的数字特征。
峰度是指次数分布曲线顶峰的尖顶程度，是次数分布的又一重要特征，通常以正态
分布为标准。
结果说明：峰度和偏度接近于0，说明数据是服从正态分布的对称分布曲线。
最小值、第一分位数、正位数、第三四分位数、最大值
所有的数据中，至少有8/9（或88.9%）的数据位于平均数3个标准差范围内。
所有的数据中，至少有24/25（或96%）的数据位于平均数5个标准差范围内。
第四步：计算相关系数
结果说明：极强相关怎么理解？最终计算出的结果是一个概率值，本案例中可以理解为影响成绩的因素 92% 是和学习时长有关。
相关：是两个或两个以上变量之间互相影响的的程度，核心是互为相关，同时存在没有先后顺序。
因果：前一个事件对后一个事件的作用和强度，核心点是有先后顺序的。
相关关系和因果关系的判断依据：因果关系是一定（粗暴理解相关系数为1），相关关系是一个概率问题。
以上主要介绍了集中趋势的度量、离散程度的度量、分布形态的度量。当业务人员/老板拿到一堆数据，丢到你面前，让你分析。这时你不会不知所措，也不会不知道从哪一步开始整理这些数据。你可以通过概括性的度量指标，来帮我们从更科学的角度发现数据问题，开展数据分析工作。
最后，感觉文章对你有帮助的小伙伴，记得点赞、关注噢！