数据分析 - 基础理论 - 描述统计学
数据类型
数据数据一般是可以直接加载运算的数据, 一般是整形浮点型等
分类数据则为文本数据, 比如男女, 雌雄等
分类数据描述统计
数值数据描述统计
平均数, 中位数, 众数
平均数 - 求和均分 - 较为适合再数据平稳的样本中
中位数 - 最中间的数值 - 目的查看最中间的数据
众数 - 最多的数值 - 目的查看构成最多的数据
平均数和中位数可以联动分析
平均数比中位数大的话说明 极大数据量或者较大数据量比较集中, 数据向上偏移
平均数比中位数小的话说明 极小数据量或者较小数据量比较集中, 数据向下偏移
中位数
中位数可以四等分, 10等分, 百等分等等
最中间的中位数就是普通的中位数
方差, 标准差
用于描述数值的离散程度, 公式计算如下
方差的单位是平方 因此这里引入标准差, 对方差开根号, 从而可以得出的现实意义是
大部分的数据波动再 平均值附近 +- 标准查的上下限, 从而得出一个理论上的阈值
描述上更喜欢用标准查来更好的贴合业务
数据标准化 Z-Score
xi 每组数据的具体值, u 平均值, σ 标准差。 Zx 标准化后的结果
不同数量级不同纬度的数据是没办法一起对比的
因此需要对数据进行统一格式, 或者压缩格式标准化处理
标准化后的数值会在 0-1 之间上下波动, 从而反应原始数据的一个特征
权重预估
数据标准化时可以加入权重,
比如 (3 x a + 2 x b + 1 x c )/ 6 这样计算则是对 a 给与了3 的权重,表示更重视 a 的数据
切比雪夫定理
示例
第9 渠道的点击率达到 12. 远远大于其他怎么判断9渠道是否是异常还是正常?
根据切比雪夫定理, 计算出的标准查为 2.5 , 平均点击率 是 6
两个偏差的 区间是 0.8 - 10.9
三个偏差的 区间是 0 - 13.5
五个偏差的 区间是 0 - 18.5
现实意义的 点击率是不能为 负数 , 因此左节点为 0
这样比对, 12.8 再 三个偏差的范围
即, 发生此现象的可能性是 11%
excel 相关的函数
平均数 =AVG
中位数 =MEDIAN
众数 =MODE
分位数 =QUARTILE
方差 = VAR_P
标准差 =STDEV
综合 - 数据 - 数据分析 - 汇总统计
数值数据描述统计可视化
箱线图
通过箱体可以简单的判断大部分的中间数据再哪里, 这部分的数据是再 25-75 之间的数据
图形中的 x 表示的是平均数, 平均数和中位线的对比可以得知样本数据的整体偏差
IQR 表示的是 第三分位数 - 第一分位数, 从而可以推出上下边缘
上下边缘偏向于经验推算, 表示大部分的数据都会再此区间囊括
对于大于上小于下之类的点则作为异常数据看待
直方图
直方图一般是等距划分, 而且下面的划分, 数值点的判定是不能重叠,
是以 开闭区间一起对应这样保证唯一
常见得图形
贝叶斯定理
引例
实际上的概率为 99 /(4995+99) = 1.9%
结合贝叶斯公式进行换算
答案依旧是 1.9%
贝叶斯公式
实例一
如果是在足球论坛 1000 人推广, 女生比例只有 35% , 却又 300人参加了这次营销活动
应该按照 300/350 的比例来计算女性的参与度, 可见女性的相当积极踊跃的参加
通过这样的结果网上推引前提。女性占比, 女性参与占比从而对结果进行另维度的解析
实例二
100 0.15蓝 0.85绿 蓝 15 辆 绿 85辆
蓝 - 蓝 100*0.15*0.8 12
蓝 - 绿 100*0.15*0.2 3
绿 - 蓝 100*0.85*0.2 17
绿 - 绿 100*0.85*0.8 68
目击者认为是 蓝色的车 12+17 实际上是 蓝色的概率 12/(12+17) = 0.413
示例三
就不算了。 反正和上面都差不多。。。这种都是两个条件的判断还是很简单画分支的
多条件就是再次基础上继续是一样的
本文来自博客园,作者:羊驼之歌,转载请注明原文链接:https://www.cnblogs.com/shijieli/p/11733671.html