前言
在本文中，我们将介绍描述性统计中的两个重要概念-偏度和峰度。 在本文的结尾，您将获得以下问题的答案，例如：
什么是偏度和峰度？
右/左偏度？
如何测量偏度和峰度，如何使用等等。

偏度（Skewness）

意义：
偏度是对实值随机变量的概率分布的不对称性的度量

负偏度（Negative Skewness）

数据比较集中在右侧，如下图所示，因此，左侧有一条长长的尾巴，也成为 左尾或左偏

正偏度（Positive Skewness）

数据比较集中在左侧，如下所示，因此，右侧有一条长长的尾巴，也称为 右尾或右偏

如何解释偏度

经验法则说：

• 如果偏度在 -0.5 到 0.5之间，那么数据是相当对称的，也就是 正态分布
• 如果偏度在 -1 到 -0.5（负偏度）或者 0.5 - 1（正偏度）之间，则 数据倾斜
• 如果偏度在 小于 -1（负偏度）后者 大于 1（正偏度）之间， 则 数据高度倾斜

1. 正态分布：众数 = 中位数 = 均值
2. 右偏：众数 < 中位数 < 均值
3. 左偏：均值 < 中位数 < 众数

如果数据符合正态分布，那么他的偏度将为0，但是 在现实世界中，我们找不到完全符合正态分布的数，因此，对于任何现实世界中的数数据，我们都找不到精确的0偏度，但是它 可以接近0

为什么要研究偏度？

考虑下面的例子。 这里total_bill正偏，数据点集中在左侧。 如果我们要以此为基础构建模型，则与更高的total_bill相比， total_bill较低的模型将做出更好的预测。

偏度告诉我们异常值的方向。 从上面的分布中，我们可以清楚地说出异常值出现在分布的右侧。

如何处理偏斜的数据

许多统计测试和机器学习模型都依赖于正态性假设。 因此，严重偏斜意味着数据不正常，并且可能会影响您的统计测试或机器学习预测能力。 在这种情况下，我们需要转换数据以使其正常。 用于处理偏斜数据的一些常用技术：

• Log transformation
  日志转换
• Square root transformation
  平方根变换
• Power transformation
  动力转换
• Exponential transformation
  指数变换
• Box-Cox transformation, etc
  Box-Cox转换等

峰度（Kurtosis）

峰度是对实值随机变量的概率分布的“尾部”度量
通常用于表示给定数据中的异常值，比如极值
由于是用于识别离群值，因此使用尾部的极值来进行分析

峰度的类型以及如何解释

• Mesokurtic(峰度= 3) ：此分布显示峰度3 接近0，极值（离群值）的分布与正态分布相似
• Leptokurtic (Kurtosis > 3) ：这种分布比 等于3有更大的峰度，该峰比中胚层更高更尖锐，他的两边都有粗尾，表示离群值较大， 在投资世界中，Leptokurtic发行意味着它是高风险的投资。
• Platykurtic: (Kurtosis < 3) ：此分布显示峰度比中胚偏低，该峰比中胚层低且厚。他的两次显示平坦的尾巴，表示离群值较小，在投资世界中，platykurtic发行意味着它是一种低风险的投资。

如图：