哈喽各位小伙伴！我是你们的统计学+Python零露老师～
前三天咱们已经解锁了两大核心：
•Day2：集中趋势——知道数据“平均在哪”
•Day3：离散趋势——知道数据“散不散、稳不稳”
但光有这两个还不够！今天咱们要搞定最后一块拼图：数据的分布形状。
举个超直观的例子：两个班级的考试平均分都是70分，标准差也差不多，但：
•A班：大多数人考60-80分，中间多两头少，成绩很“正常”
•B班：一半人考90+，一半人考50以下，两极分化严重
•C班：大多数人考80-90分，只有少数人不及格，成绩整体偏“好”
你看！平均分和标准差都一样，但数据的“形状”完全不同！今天咱们就用偏度、峰度两个指标，加上直方图、密度图、箱线图可视化，一眼看穿数据的分布形状！
内容不长，全是干货，小白跟着复制代码就能学会～
一、偏度：看数据“歪不歪”
1. 大白话讲懂偏度
偏度（Skewness）就是看数据的分布对不对称，往哪边“歪”，主要分三种：
偏度类型 | 大白话定义 | 典型例子 |
对称分布（偏度≈0） | 数据左右对称，中间最多，往两头逐渐减少 | 正常人的身高、体温，大多数人的考试成绩 |
右偏分布（偏度>0） | 数据“尾巴”在右边，大多数数据集中在左边，少数极端大值把尾巴拉到右边 | 患者住院天数（大多数住几天，少数住很久）、用户消费金额（大多数花几十，少数花几千） |
左偏分布（偏度<0） | 数据“尾巴”在左边，大多数数据集中在右边，少数极端小值把尾巴拉到左边 | 很难的考试成绩（大多数人不及格，少数人考高分）、产品寿命（大多数用很久，少数很快坏） |
一句话记：偏度>0右偏，偏度<0左偏，偏度≈0对称。
二、峰度：看数据“尖不尖”
1. 大白话讲懂峰度
峰度（Kurtosis）就是看数据的分布是“尖顶”还是“平顶”，和标准正态分布比：
峰度类型 | 大白话定义 | 典型例子 |
正态峰（峰度≈0） | 和标准正态分布一样，不尖也不平 | 新生儿体重、测量误差 |
尖峰分布（峰度>0） | 比正态分布更“尖”、更“瘦”，数据特别集中在中间 | 大家分数都差不多的考试成绩、商品好评率（要么全好评要么全差评） |
平峰分布（峰度<0） | 比正态分布更“平”、更“胖”，数据比较分散 | 分数分布很均匀的考试成绩、不同地区的房价 |
一句话记：峰度>0尖峰，峰度<0平峰，峰度≈0正态峰。
三、Python 实战！双场景计算+可视化
咱们直接上代码，用两个最典型的场景：
1.医学场景：患者住院天数（右偏分布）
2.非医学场景：用户消费金额（右偏分布）+ 模拟对称分布数据对比
第一步：老规矩，先导入工具库
新建代码框，复制运行：
Pythonimport numpy as npimport pandas as pdfrom scipy import stats as stsimport seaborn as snsimport matplotlib.pyplot as plt# 解决中文乱码plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei"]plt.rcParams["axes.unicode_minus"] = False |
第二步：医学场景实战：患者住院天数
咱们模拟100位患者的住院天数，大多数住3-7天，少数住15天以上（右偏分布），新建代码框：
Python# 模拟100位患者住院天数：右偏分布np.random.seed(10) # 固定随机数，保证结果一致hospital_days = np.concatenate([np.random.normal(5, 2, 80), np.random.normal(15, 3, 20)])# 把小于1天的改成1天（住院至少1天）hospital_days = np.where(hospital_days < 1, 1, hospital_days)# 转成DataFrame方便看data_med = pd.DataFrame({"住院天数": hospital_days})print("患者住院天数前10条：")print(data_med.head(10)) |
然后算偏度和峰度，新建代码框：
Python# 计算偏度：bias=False代表计算总体偏度skewness_med = sts.skew(data_med["住院天数"], bias=False)# 计算峰度：bias=False代表计算总体峰度kurtosis_med = sts.kurtosis(data_med["住院天数"], bias=False)print(f"✅ 住院天数偏度：{skewness_med:.2f}")print(f"✅ 住院天数峰度：{kurtosis_med:.2f}")print("�� 解读：偏度>0，是右偏分布，符合预期（少数患者住院很久）") |
最后画直方图+密度图+箱线图，一眼看分布，新建代码框：
Python# 设置画布大小plt.figure(figsize=(15, 5))# 画直方图+密度图plt.subplot(1, 2, 1)sns.histplot(data_med["住院天数"], kde=True, bins=15)plt.title("患者住院天数分布（直方图+密度图）", fontsize=14)plt.xlabel("住院天数", fontsize=12)# 画箱线图plt.subplot(1, 2, 2)sns.boxplot(data=data_med["住院天数"], width=0.3)plt.title("患者住院天数分布（箱线图）", fontsize=14)plt.ylabel("住院天数", fontsize=12)plt.tight_layout()plt.show() |
运行后你会看到两张图：
•左边的图：数据明显集中在左边（3-7天），右边有个长尾巴，典型的右偏分布
•右边的箱线图：上面有很多圆点，就是住院很久的极端异常值，完美对应右偏
第三步：非医学场景实战：用户消费金额+对称数据对比
咱们模拟两组数据对比：
1.用户消费金额：右偏分布（大多数花几十，少数花几千）
2.模拟考试成绩：对称分布（大多数在中间）
新建代码框，生成数据：
Python# 1. 模拟100位用户消费金额：右偏分布np.random.seed(20)spend_money = np.concatenate([np.random.normal(100, 30, 85), np.random.normal(500, 100, 15)])spend_money = np.where(spend_money < 10, 10, spend_money) # 最低消费10元# 2. 模拟100位学生考试成绩：对称分布（正态分布）exam_score = np.random.normal(70, 10, 100)exam_score = np.clip(exam_score, 0, 100) # 分数0-100之间# 转成DataFramedata_biz = pd.DataFrame({"用户消费金额": spend_money,"考试成绩": exam_score}) |
算两组数据的偏度和峰度对比，新建代码框：
Python# 算消费金额skew_spend = sts.skew(data_biz["用户消费金额"], bias=False)kurt_spend = sts.kurtosis(data_biz["用户消费金额"], bias=False)# 算考试成绩skew_exam = sts.skew(data_biz["考试成绩"], bias=False)kurt_exam = sts.kurtosis(data_biz["考试成绩"], bias=False)print("===== 用户消费金额 =====")print(f"偏度：{skew_spend:.2f}，峰度：{kurt_spend:.2f}")print("�� 右偏分布，符合预期")print("\n===== 考试成绩 =====")print(f"偏度：{skew_exam:.2f}，峰度：{kurt_exam:.2f}")print("�� 接近对称分布，符合预期") |
最后画对比图，新建代码框：
Pythonplt.figure(figsize=(15, 5))# 画消费金额plt.subplot(1, 2, 1)sns.histplot(data_biz["用户消费金额"], kde=True, bins=15, color="orange")plt.title("用户消费金额分布（右偏）", fontsize=14)# 画考试成绩plt.subplot(1, 2, 2)sns.histplot(data_biz["考试成绩"], kde=True, bins=15, color="blue")plt.title("考试成绩分布（对称）", fontsize=14)plt.tight_layout()plt.show() |
对比图一目了然：左边消费金额右边有长尾巴，右边考试成绩左右对称～
第四天学习总结
恭喜你！描述统计学的核心内容咱们已经全部学完了！
1.集中趋势：均值、中位数、众数——看数据“在哪”
2.离散趋势：极差、方差、标准差、分位数、变异系数——看数据“散不散”
3.分布形状：偏度、峰度+可视化——看数据“长啥样”
现在你拿到一组数据，已经能从三个维度全面分析它了，是不是超有成就感！
下期预告
从明天Day5开始，咱们要进入推断统计学的世界了！先从统计学最基础、最常用的正态分布讲起，大白话讲原理，Python一键生成，还会教大家什么是“68-95-99.7法则”，咱们不见不散～
