数据分析-相关性

0、提高数据样本质量

首先是确保数据采集的准确性与可靠性，也就是如何降低数据误差

系统误差是由测量工具不精确和测量方法选择不当造成的。这类误差我们可以通过校准工具或者选择更合适的测量方法来消除；
随机误差是由环境因素等外部不可控原因导致的，如温度、湿度、压力、电磁干扰等。无法预防，也无法从根本上消除。只有通过多闪重复实验来尽可能降低随机误差的比例；
过失误差是由操作人员的不履行正确采集操作规程、工作不认真甚至造假等人为因素造成的。这种误差是可以通过员工培训或管理手段避免的。

其次是采用科学的抽样方法。

正确的抽样会显著提高样本代表总体的水平。一般常用的抽样方法包括单纯随机抽样、系统抽样和分层抽样
单纯随机抽样。采用无放回的形式，随机抽取样本集合中的样本，直到达数量要求为止。这种抽样操作简便，公平性强，但不适合大样本集合，容易造成样本分布局部化，降低样本代表总体的水平。
系统抽样。首先将样本集合平均分为m组（m为采样数量），然后对每一组进行单纯随机抽样。该方法适合大样本，能够弥补单纯随机抽样局化的缺陷。但是对于数据按顺序有周期特征或单调递增（或递减）趋势特征时，将会产生明显的偏性。
分层抽样。先对样本集合根据样本的某种属性进行分组，然后在每组内按等比方式抽样。该方法适合为明显个体特征（如年龄、性别、职业等）的大样本，样本代表性较好，抽样误差较小。缺点是操作更复杂。

概率分布

建立X到y的高质量映射模型f的过程是很复杂的，我们需要用到不同的算法，比如回归、分类、神经网等等，无论使用哪种算法，为了降低模型的数据y’与真实的y之间的误差，我们需要保证X自变量数据集合和y因变量集合尽可能符合正态分布，也就是偏离值尽量少出现，而正常值出现的情况比较均匀，用这样的数据集拟合函数时各种情况会考虑到，函数的泛化能力就比较高。

是的，你没有看错！机器学习要想得到高质量模型，就要使样本数据保持正态分布。而现实往往不如人意，绝大多数情况往往不符合正态分布，而是偏态分布。
在这里插入图片描述
左图为负偏态（样本数据取大值得较多），右图为正偏态（样本取小值的较多）
如果样本的偏度比较大，就会造成模型偏差或方差过大，影响模型的精确水平和泛化能力，降低模型质量。

偏态数据的正态化常用方法有两种:

对于因变量y而言，可以采用对数化方法，即y=log(y)
如果偏度很大，则对数函数的底数就大一些，过大容易调整过头，产生相反的偏态，一般来说取自然对数即可（Numpy.log1p()）函数
对于自变量集合X分布偏态的属性/字段，则使用box-cox()函数进行正态化(scipy.special.boxcox1p函数)。进行对数正态化.
相关链接：Box-Cox变换详解

当然对于分布比较复杂的情况，需要其他的一些方法，如倒数法、平方根法、指数函数法和三角函数法。

集中趋势和离散趋势

集中趋势

集中趋势是一组数据的代表值，和所有值差距不大是最好的： 平均数和中位数、众数
如果样本呈正态分布，那么集中趋势使用平均数或中位数表示均可，因为两者是相等的。
如果样本呈偏态分布，那么选择中位数更能反映数据的集中趋势。
通常情况下，
正偏态的中位数小于平均数，
负偏态的中位数大于平均数

离散趋势

离散趋势反映了样本数据之间的差异水平。反映离散趋势的统计指标一般包括标准差/方差、极差、四分位间距IQR和变异系数。

极差是样本最大值与最小值的差；
四分位间距IQR是75%分位数与25%分位数的差，显然四分位间距IQR一般要比极差小；
变异系数是标准差与均值的比值，通常认为如果变异系数超过15%，则说明业务状况是很不稳定的。例如：变异系数是1.58，说明是极不稳定的。

除了变异系数是相对量化指标外，其它三个指标都是绝对量化指标。
因此，变异系数可以进行不同数据集离散程度的比较，而其它三个指标不可以，因为不同数据集的数据尺度有所差异

置信区间

通俗一点讲，如果置信度为95%（等价于显著水平a=0.05），置信区间为[a,b]，这就意味着总体均值落入该区间的概率为95%，或者以95%的可信程度相信总体均值在这个范围内。

一般情况下当我们抽样的数量大于等于30时，可认为样本均值服从正态分布
如果样本数量小于30，我们可以根据中心极限定理，进行多轮抽样产生均值样本，计算置信区间。

中心极限定理：无论样本所属总体服务什么分布，对该样本进行n次随机采样，产生n个新的样本，那么这n个样本的n个均值所在总体服务正态分布。而且n越大，越接近正态分布。

#初始化样本
X=np.array([91,94,91,94,97,83,91,95,94,96,97,95,90,91,95,91,88,85,89,93])#样本排序，为了适应下面的随机抽样函数
X=sorted(X)#使用random模块的随机抽样函数sample，进行抽样。该函数有两个参数，第一个是样本集合，第二个是抽取数量
import random#进行30轮随机抽样同时计算均值，形成新的正态分布的样本
n=30
X_new=[np.mean(random.sample(X, 10)) for i in range(n)]#计算样本均值和标准差
mu,std=np.mean(X_new),np.std(X_new)#求置信区间
[mu-std/np.sqrt(n)*1.96,mu+std/np.sqrt(n)*1.96]
# 最终估计的总体均值置信区间为[91.69, 92.18]。