原文链接：峰度与偏度(python)

微信公众号：机器学习养成记    搜索添加微信公众号：chenchenwings

偏度和峰度是描述数据分布时两个常用的概念，用来描述数据分布与正态分布的偏离程度。本次推送将简要介绍其相关意义，及通过python中pandas包实现相关计算。

偏度与峰度

偏度（Skewness）

用来描述数据分布的对称性，正态分布的偏度为0。计算数据样本的偏度，当偏度<0时，称为负偏，数据出现左侧长尾；当偏度>0时，称为正偏，数据出现右侧长尾；当偏度为0时，表示数据相对均匀的分布在平均值两侧，不一定是绝对的对称分布，此时要与正态分布偏度为0的情况进行区分。

当偏度绝对值过大时，长尾的一侧出现极端值的可能性较高。

峰度(Kurtosis)

用来描述数据分布陡峭或是平滑的情况。正态分布的峰度为3，峰度越大，代表分布越陡峭，尾部越厚；峰度越小，分布越平滑。很多情况下，为方便计算，将峰度值－3，因此正态分布的峰度变为0，方便比较。

在方差相同的情况下，峰度越大，存在极端值的可能性越高。

python实现

用python中的padas包可以便捷的计算出峰度与偏度。

载入相关包，生成满足正态分布的点，并绘制出其分布图像。

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

data =  list(np.random.randn(10000))

plt.hist(data,100,normed=True,facecolor=’g’,alpha=0.9)

plt.show()

计算偏度与峰度。

print(s.skew())%偏度计算

print(s.kurt())%峰度计算

%-0.027080404248  

%-0.0408703328693

推荐文章

· Bagging算法(R语言)

·静态爬虫与地址经纬度转换(python)

·特征工程(一):前向逐步回归(R语言)

·聚类(三):KNN算法(R语言)

·小案例(六)：预测小偷行为（python）

·ggplot2:正负区分条形图及美化

扫描二维码，关注我们。

如需转载，请在开篇显著位置注明作者和出处，并在文末放置机器学习养成记二维码和添加原文链接。

快来关注我们吧！