|沙龙精选自公众号秦路（ID：
tracykanc
）
文|秦路
本文是
《如何七周成为数据分析师》
的第十三篇教程，如果想要了解写作初衷，可以先行阅读七周指南。温馨提示：如果您已经熟悉统计学，大可不必再看这篇文章，或只挑选部分。
描述统计学，往往研究数据的集中和离散。其中，各数据出现次数的情况，也是重要的一个研究方向。
频数分布表示互不重叠的组别中每一组项目的个数。在分类型数据中，频数分布就是各个分类类目的总数。
上图就是数据分析师的岗位，按城市统计出的频数表，即各个城市的岗位数量。从应用角度看，数据透视表是专门用来计算频数的。我们也能把频数转换成百分比占比，这更直观。
如果将其转换成图表，叫做条形图。饼图也可以描述频数，但是不常用。
数值型数据也适用于频数分布。以薪资数据为例，因为薪资千差万别，若粗暴地转换成条形图，就会丧失可读性。
数值型数据必须经过分组转换，将数据划分到一个个区间范围内，可以间接认为把数值其转换成了分类数据。从业务角度理解，18和18.1、17.9的差异并不大，为什么不视为一组呢？
组数划分一般选择5～20组，数据量越大，划分的组数就能越多。划分的不同区间范围叫做组宽，组宽是人为定义的，组宽最好等距。用1～80与81～100计算两组的频数，没什么意义。
组宽和组数的选择相辅相成，组数多，组宽相对小，反之亦然。组宽=（最大值-最小值）/组数。我们将案例数据的组宽定义为5，即0～4，5～9，10～14……
用Excel函数 = int(( salary +1)/5)即可正确获得分组后的结果，0代表0～4，1代表5～9。另外一种方式是用frequency( )函数,以数组形式输出。数据分析工具也能绘制频数表。
因为每一个数据只能属于一个组，所以要规定组的上下限。上文划归的0～4组宽，实际是零到除五之间的数值，包括4.99这类。因为数值型数据可以连续地划分，分类数据没有这顾虑。
分组的过程也叫数据分桶bin，它是常见的一种数据清洗过程。在机器学习中，能提高模型泛化能力。
将汇总的结果生成条形图，调整系列样式，系列重叠和间隙宽度均为0。它的正式名字叫直方图。
条形图和直方图最大的区别在于矩形的间隔。直方图的矩形没有间隔，之间完全重合（
图中的白线是为了显示清楚才加上的
）。因为数值型数据的特点是连续性，不能有空档造成断开。
图中的直方图并不标准，横坐标的数字应该为[0,5,10,15,20…]且位于白线下方。我这里略过了。
频数既能用相对数表示，也能用百分比表示。区别在于纵轴。后者用于方便对比。
直方图的一个重要应用是提供了分布信息。不同直方图代表的业务意义不同。需要注意的是，分组将直接影响直方图的外形。
标准型的形态往往是中间高，两边低，呈中间的集中趋势。它代表一种稳定正常的形态。
双峰型，一般是混合了多种数据源或者类别数据造成的。
锯齿型，一般是观察数据的手段和方法不稳定，才会造成直方图的波动。
孤岛型的直方图，一般是业务上的非正常错误，比如工程零部件出了问题、产品出现了某Bug，造成凸出一块。
陡峭型，往往是数据源缺失，或者被剔除一部分后，造成这种断崖式的折断。
