数据的偏度和峰度——df.skew()df.kurt()
Posted 风信子的猫Redamancy
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据的偏度和峰度——df.skew()df.kurt()相关的知识，希望对你有一定的参考价值。
数据的偏度和峰度——df.skew()、df.kurt()
我们一般会拿偏度和峰度来看数据的分布形态，而且一般会跟正态分布做比较，我们把正态分布的偏度和峰度都看做零。如果我们在实操中，算到偏度峰度不为0，即表明变量存在左偏右偏，或者是高顶平顶这么一说。
一.偏度（Skewness）
Definition:是描述数据分布形态的统计量，其描述的是某总体取值分布的对称性，简单来说就是数据的不对称程度。。
偏度是三阶中心距计算出来的。
（1）Skewness = 0 ，分布形态与正态分布偏度相同。
（2）Skewness > 0 ，正偏差数值较大，为正偏或右偏。长尾巴拖在右边，数据右端有较多的极端值。
（3）Skewness < 0 ，负偏差数值较大，为负偏或左偏。长尾巴拖在左边，数据左端有较多的极端值。
（4）数值的绝对值越大，表明数据分布越不对称，偏斜程度大。
计算公式：
S
k
e
w
n
e
s
s
=
E
[
(
(
x
−
E
(
x
)
)
/
(
D
(
x
)
)
)
3
]
Skewness=E[((x-E(x))/(\\sqrt{D(x)}))^3]
Skewness=E[((x−E(x))/(D(x)))3]
∣
S
k
e
w
n
e
s
s
∣
| Skewness|
∣Skewness∣ 越大，分布形态偏移程度越大。
二.峰度（Kurtosis）
Definition:偏度是描述某变量所有取值分布形态陡缓程度的统计量，简单来说就是数据分布顶的尖锐程度。
峰度是四阶标准矩计算出来的。
（1）Kurtosis=0 与正态分布的陡缓程度相同。
（2）Kurtosis>0 比正态分布的高峰更加陡峭——尖顶峰
（3）Kurtosis<0 比正态分布的高峰来得平台——平顶峰
计算公式：
K
u
r
t
o
s
i
s
=
E
[
(
(
x
−
E
(
x
)
)
/
(
(
D
(
x
)
)
)
)
4
]
−
3
Kurtosis=E[ ( (x-E(x))/ (\\sqrt(D(x))) )^4 ]-3
Kurtosis=E[((x−E(x))/((D(x))))4]−3
以上是关于数据的偏度和峰度——df.skew()df.kurt()的主要内容，如果未能解决你的问题，请参考以下文章
R语言使用moments包计算偏度（Skewness）和峰度（Kurtosis）实战：计算偏度（Skewness）和峰度（Kurtosis）确定样本数据是否具有与正态分布匹配的偏度和峰度（假设检验）