跳转至

2.8   偏度与峰度

小率已经会看中心，也会看离散。可他盯着一张外卖等待时间图，还是觉得哪里不对。

大多数订单 10 分钟以内就送到了，少数订单却拖到 35 分钟、45 分钟，甚至 90 分钟。均值被拉高了，标准差也变大了，但这些数字都没有直接说出一个很重要的事实：

这组数据右边拖着一条长长的尾巴。

均哥和小率观察外卖等待时间的右侧长尾

描述统计不只要回答“中心在哪里”“散得多开”，还要回答：

  • 分布是不是歪的？
  • 尾巴是不是很长？
  • 极端值是不是更容易出现？

这就是偏度（Skewness）和峰度（Kurtosis）要处理的问题。

到这里，我们已经有了中心和离散两个视角。但很多数据光有这两个视角还不够。两组数据的均值和标准差可能差不多，一组左右对称，另一组却右边拖着长尾；它们带来的风险和解释完全不同。偏度和峰度，就是为了补上“形状”这块拼图。

2.8.1   偏度：分布往哪边拖尾

偏度（Skewness） 描述分布的不对称程度。

如果右侧拖着长尾，就叫右偏；如果左侧拖着长尾，就叫左偏；如果左右差不多，就近似对称。

形状 直觉 常见例子
右偏 大多数值较小，少数特别大 工资、房价、等待时间、医疗费用
近似对称 左右形状接近 稳定工艺下的容量误差、测量误差
左偏 大多数值较大，少数特别小 容易考试中的高分集中、设备寿命接近上限时

图 2.8.1 三种偏度

图 2.8.1   偏度描述分布向哪一侧拖尾。右偏数据中，均值容易被少数大值拉向右侧。

右偏数据里，均值往往大于中位数。不是因为均值算错了，而是因为右侧少数大值把它拉过去了。

所以“尾巴在哪边”，就是偏度最直观的读法。
对。不要只盯峰顶，先看尾巴往哪边伸。

判断偏度的第一步永远是看图，而不是急着算一个偏度系数。初学时可以先记住三种画面：

  • 右边拖长尾：少数特别大的值把尾巴拉向右边。
  • 左边拖长尾：少数特别小的值把尾巴拉向左边。
  • 左右差不多：分布大致对称。

如果右偏很明显，均值通常会被拉到中位数右边；如果左偏很明显，均值通常会被拉到中位数左边。这是读图时很有用的快速判断。

2.8.2   右偏数据为什么常见

生活里很多数据天然有下限，却没有严格上限。

等待时间不能小于 0 分钟，但可能因为堵车、漏单、暴雨拖到很久。月薪不能低于 0，但少数高薪岗位可能非常高。医疗费用多数人不高，但少数重症病例费用会很大。

这类数据很容易右偏。

右偏数据最容易带来两个误会：

  1. 只看均值，会高估大多数人的典型体验。
  2. 只看标准差，会知道“波动大”，但不知道波动主要来自右侧长尾。

所以遇到右偏数据，常见报告方式是：

  • 先画直方图或箱线图。
  • 报告中位数和 IQR。
  • 必要时说明极端值来源。
  • 如果后续要建模，再考虑对数变换。

右偏数据还有一个生活化特征：多数人的体验集中在“普通范围”，少数人的体验特别极端。比如大多数外卖 30 分钟内送达，但少数订单可能等 90 分钟；大多数网页获得几十次点击，但少数爆款文章获得几十万次点击。

这时只报平均数会让普通体验显得比实际更高。更完整的说法应该像这样：

这批订单的中位送达时间是 24 分钟，IQR 是 18 到 32 分钟；少数订单超过 60 分钟，使均值上升到 31 分钟。

这句话同时告诉读者主体和长尾，比单独说“平均 31 分钟”诚实得多。

2.8.3   峰度：重点是尾巴，不只是峰顶

峰度（Kurtosis） 常被误解成“峰顶有多尖”。这只说对了一小部分。

更实用的理解是：峰度提醒我们尾部有多重，极端值是否更容易出现。

图 2.8.2 三种峰度

图 2.8.2   高峰度通常意味着尾部更重，极端值出现的风险更高。

为什么这很重要？

因为很多现实风险不在“中间”，而在“尾巴”。

  • 平均送达时间不错，但少数订单特别久，会影响差评。
  • 平均收益不错，但少数极端亏损，可能让账户承受不了。
  • 平均设备寿命够长，但少数设备很早坏，会影响售后。

峰度不是让我们欣赏曲线尖不尖，而是提醒我们：尾部事件要不要认真对待。

峰度不是只看峰顶

很多教材把峰度画成“尖峰”和“平峰”，容易让人误以为它只关心中间有多尖。实际使用时，更应该把它理解为尾部厚度和极端值风险的信号。

对初学者来说，峰度不必一开始就背公式。更重要的是知道它在提醒什么：有些分布平时看起来很安静，但尾部事件并不少见。金融收益、网络流量、保险赔付、设备故障时间，都可能存在这种“平时普通，偶尔极端”的特征。

听起来峰度像是在问：极端情况会不会比我想象得更常见？
可以这样理解。它让我们别只盯中间，还要尊重尾部风险。

2.8.4   对数变换：换一个尺度看右偏数据

当数据严重右偏时，直接使用均值和标准差可能很难代表主体。

一种常见做法是对数变换。

比如等待时间：

\[ 5,\ 6,\ 7,\ 8,\ 9,\ 12,\ 15,\ 35,\ 60,\ 90 \]

原始尺度上，90 比 9 大 10 倍，长尾很明显。取对数后，大值会被压缩，小值之间的差异也会更容易比较。

图 2.8.3 对数变换缓解右偏

图 2.8.3   对数变换能压缩极大值，让右偏长尾数据更接近对称形态。
变换是不是在“篡改数据”？
不是。变换是换一个尺度看数据。但必须说明怎么变、为什么变，以及结论怎样解释回原来的尺度。

实用搭配

右偏长尾数据先报告中位数和 IQR；如果后续要建模，可以考虑对数变换，并在报告中清楚说明原始尺度和变换尺度的含义。

对数变换特别适合“倍数关系比差值关系更自然”的数据。比如收入从 3000 到 6000，是翻倍；从 30000 到 33000，虽然也差 3000，但生活意义完全不同。原始尺度看差值，对数尺度更接近看倍数。

但变换后解释要小心。你不能只说“对数等待时间平均是多少”，读者听不懂。更好的做法是：在建模或计算时使用对数尺度，在报告时再翻译回原始单位，比如“典型等待时间约为 20 分钟，长尾订单明显存在”。

2.8.5   形状指标不能代替画图

偏度和峰度很有用，但它们不是万能摘要。

两组数据可能偏度、峰度接近，图形却不完全一样；也可能因为样本量太小，偏度和峰度非常不稳定。

所以更稳妥的顺序是：

  1. 先画直方图、密度图或箱线图。
  2. 再看中位数、IQR、均值和标准差。
  3. 最后用偏度、峰度补充描述形状。

描述统计里，图形常常是第一眼，指标是第二句话。

这条原则非常重要。偏度和峰度把形状压成两个数字，压缩就一定会丢信息。双峰、断层、群体混合、少量异常值，都可能让单个形状指标变得难解释。图形不是可有可无的配图，而是判断这些指标能不能相信的前提。

2.8.6   用 Python 计算偏度和峰度

import numpy as np
from scipy.stats import skew, kurtosis

rng = np.random.default_rng(28)
wait_time = rng.lognormal(mean=2.5, sigma=0.8, size=200)

print(f"偏度 = {skew(wait_time):.2f}")
print(f"超额峰度 = {kurtosis(wait_time):.2f}")
print(f"中位数 = {np.median(wait_time):.1f}")
print(f"均值 = {wait_time.mean():.1f}")

完整配套脚本

本节配套脚本在 docs/assets/scripts/ch02_descriptive/08_skewness_and_kurtosis.py，可以复现偏度、峰度和对数变换示例。

小率的笔记本

  • 偏度描述分布是否不对称，以及尾巴拖向哪边。
  • 右偏数据中，均值常被长尾拉到中位数右侧。
  • 峰度更应理解为尾部厚度和极端值风险，而不只是峰顶尖不尖。
  • 对数变换可以缓解右偏，但必须说明变换方式和解释尺度。
  • 形状指标要配合图形使用，不能只看一个数字就下结论。
  • 描述长尾数据时，尽量同时报告主体范围和少数极端情况。