数据分布的偏度(skewness)和峰度(kurtosis）
偏度（skewness）是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数值特征：定义为：样本的三阶标准化矩。Skew(X)=E[(X−μσ)]=k3σ3=k3k23/2Skew(X)=E[(\frac{X-\mu}{\sigma})]=\frac{k_3}{\sigma_3}=\frac{k_3}{k_2^{3/2}}Skew(X)=E[(σX−μ)]=σ3k3=k23/2
偏度（skewness）
是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数值特征：定义为：样本的三阶标准化矩。
S
k
e
w
(
X
)
=
E
[
(
X
−
μ
σ
)
]
=
k
3
σ
3
=
k
3
k
2
3
/
2
Skew(X)=E[(\frac{X-\mu}{\sigma})]=\frac{k_3}{\sigma_3}=\frac{k_3}{k_2^{3/2}}
Skew(X)=E[(σX−μ)]=σ3k3=k23/2k3
偏度定义中包括：正态分布（偏度=0）、右偏（尾巴右偏）分布（也叫正偏分布，偏度>0），左偏（尾巴左偏）分布（也叫负偏分布，其偏度<0）。
峰度（peakedness、kurtosis）
又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数，直观看来，峰度反映了峰部的尖度，随机变量的峰度计算方法：随机变量的四阶中心距与方差平方的比值。
K u r t ( X ) = E [ ( X − μ σ ) 4 ] = E [ ( X − μ ) 4 ] E [ ( X − μ ) 2 ] ) 2 Kurt(X)=E[(\frac{X-\mu}{\sigma})^4]=\frac{E[(X-\mu)^4]}{E[(X-\mu)^2])^2} Kurt(X)=E[(σX−μ)4]=E[(X−μ)2])2E[(X−μ)4]
峰度包括正态分布（峰度值=3），厚尾（峰度值>3），瘦尾（峰度值<3）
具体计算方法：
DataFrame.skew()
DtaFrame.kurt()
为开发者提供学习成长、分享交流、生态实践、资源工具等服务，帮助开发者快速成长。
更多推荐
7
0- 0
已为社区贡献2条内容
所有评论(0)