16、数据科学：从基础统计到常见问题与编程语言对比

数据科学：从基础统计到常见问题与编程语言对比

1. 描述性统计

在机器学习中，理解数据是至关重要的，而描述性统计分析则是实现这一目标的关键。因为机器学习的核心在于进行预测，所以对数据进行描述性统计分析是必要的初始步骤。

数据集需要经过描述性统计分析，然而很多人常常跳过这一步，从而失去了对数据的大量有益理解，导致得出错误的结论。在进行描述性统计时，要谨慎行事，确保数据满足进一步分析的所有先决条件。

1.1 正态分布

正态分布是统计学中最关键的概念，因为几乎所有的统计测试都要求数据呈正态分布。当科学家绘制正态分布时，它本质上是对大量数据样本模式的描绘，有时也被称为“高斯曲线”或“钟形曲线”。

进行概率的计算和推断统计时，需要数据呈正态分布。如果数据不是正态分布，在选择统计测试时必须小心，否则可能会得出错误的结论。当数据具有对称性、单峰性、中心性且呈钟形时，就符合正态分布，在完美的正态分布中，每一侧都是另一侧的精确镜像。

1.2 集中趋势

在统计学中，我们需要处理均值、众数和中位数，这三者也被称为“集中趋势”。它们是最常见且独特的“平均值”。

• 均值 ：是最符合从特定模型对总体进行假设的集中倾向度量，通过所有值的总和除以值的数量来计算。
• 众数 ：是数据中频繁出现的类别或值。如果数据中没有重复的数字或类别相似性，则没有众数，而且一个数据集可能有多个众数。对于分类变量，众数是唯一的集中趋势度量，因为我们可以计算像“性别”这样变量的平均值，而分类变量只能报告百分比和数字。 <