引子
“一切模型都是错的，但有些很有用。”–George Box
数据剖析关于许多人来说既了解又陌生。数据小白们觉得各种五颜六色的图表仪表盘看起来很酷炫，运营管理者们以为核算数字和时间趋势图能够协助他们做事务决策，程序员们以为数据剖析无非便是从数据库中将目标字段的数据依照必定要求捞取出来。这些看法都没错，但真正有用的数据剖析，除了将数字呈现出来，还将发现的数据洞见与事务充沛结合起来，实践为事务创造价值才有意义。了解一些基础核算学常识，很可能会对发现洞见有协助。
均匀值并不牢靠
咱们经常能够看到许多数据报表中会呈现出依照每天、每周、每月的均匀数，例如当月每日均匀销售额、上一年每月均匀拜访次数，等等。均匀值核算对某些特定的状况会有所协助，例如每天起床的时间、瞄中射击靶心的偏移量。但更多的时分，你很可能会对均匀值发生置疑，由于均匀数许多时分会上下动摇，并且动摇起伏还会很大。这里的根本原因来自于实在国际中的非线性散布（Non-Linear Distribution）。关于网站的响应时间、网页拜访次数、股票走势的散布，都归于非线性散布。在这些非线性散布中，均匀值就失效了，由于有许多的异常值（Outlier）让均匀值发生了严峻违背（Skewed）。就像下图相同，关于天然散布（Normal Distribution）或高斯散布（Gaussian Distribution）来说，它是线性散布（Linear Distribution）的，因而均匀值在其散布的正中间的峰值位置；但关于 Gamma 散布来说，由于它是一个非线性散布，其均匀值严峻违背其峰值，并且当离群值越来越多，其均匀值会进一步违背其间心位置。
因而关于这些非线性散布来说，均匀值就不是一个合理的判别指标，而咱们能够采用中位数（Medium）来表明其大致的中心位置。咱们有许多种处理这种非线形散布的工具，其间一种便是箱线图（Box Plot）。如下图，两个散布被笼统为了一个箱和几条线，其间箱中心线便是中位数，而边缘是四分之一和四分之三分位线。这样不需要做过多杂乱的剖析就能够在一张图上一目了然的看出大致的散布状况。
相关性剖析
相关性（Correlation）是数据剖析中十分有意思的特性。许多相关性剖析能够协助数据剖析师发现许多有趣的洞见，但它也存在许多圈套：啤酒与尿布的虚拟故事其实反映出了许多的偶然性叠加构成的相关却无因果的现实状况；二战中盟军飞机子弹部位剖析结果其实是幸存者偏差（Survisorship Bias）的一个经典例子；金融新闻中充斥着许多关于股票涨跌的“事后诸葛亮见解”，例如 “受美联储加息压力影响，道琼斯指数收跌 0.5%” 之类看似专业实则毫无用处的剖析定论。因而，数据剖析老手都会给新手剖析师强调：必定要找出因果联系（Causal Relationship），而不仅仅是相关联系。
核算相关性的工具有不少，其间笔者经常运用的是皮尔逊相联系数（Pearson Correlation Coefficient），它既能够核算正相关，也能够核算负相关，十分直观。别的核算相关性的工具是散点图（Scatter Plot），它在双变量剖析中能发挥很大的效果，请参考下图。
定论
关于数据剖析中触及的核算常识很冗杂，本篇文章只介绍了平时工作中比较常用却容易被忽视的剖析技巧，包含均匀值圈套、相关性剖析等。其间，咱们简单提及了一些实在国际中的核算学概念，例如非线性散布、异常值；关于相关性剖析，除了介绍皮尔逊相联系数外，还强调了因果联系的重要性。当然，实在国际中的数据剖析，要考虑的更多，由于实在数据往往背后是杂乱体系和过程的表象观测值，数据剖析师的一部分职责便是找出其间的联系和影响要素，从而为事务决策者提供更牢靠的数据支撑。这也是为什么从业多年的数据剖析师不会运用许多炫酷的技巧，而是在充沛了解事务背景的前提下用简单而有效的工具得出牢靠的定论。
社区
假如您对笔者的文章感兴趣，能够加笔者微信 tikazyq1 并注明 “码之道”，笔者会将你拉入 “码之道” 交流群。
本篇文章英文版同步发布在 Medium.com，技术分享无国界，欢迎大佬们点拨。
