交互与用户体验 / 系统课时

用直方图识别数据分布形态

用直方图识别数据分布形态

面对一批订单金额,只看平均值无法判断多数订单集中在哪个区间,也看不出少数大额订单如何影响整体。通过设置连续数值区间、计算频数并比较不同分箱宽度下的直方图,可以识别集中区间、偏态与长尾,形成能够复核的数据分布判断。

学习目标

  • 区分直方图与类别柱状图,正确设置数值区间、横纵轴和频数。
  • 使用具体订单金额数据完成分箱,理解箱宽变化如何影响分布形态。
  • 识别集中区间、右偏与长尾,并检查图表是否存在误导性表达。

直方图与类别柱状图有什么区别

直方图用于观察数值型数据的分布,例如订单金额、接口响应耗时、用户年龄。它先把数值划分为连续区间,再统计每个区间中有多少条记录。

以订单金额为例,横轴是金额区间,单位为元;纵轴是订单笔数。假设有11笔订单落在0~100元区间,7笔落在100~200元区间,那么对应两根柱子的高度分别是11和7。

类别柱状图则用于比较不同类别的数值,例如华东、华南、华北三个地区的销售额。地区之间不存在连续的数值距离,柱子的横向位置只是类别排列。

两种图表有三个关键区别:

比较项 直方图 类别柱状图
横轴 连续数值区间 离散类别
柱子间距 等宽分箱通常紧密相接 通常保留间距
柱高含义 区间内的频数或频率 各类别对应的度量值

制作订单金额直方图时,纵轴应该是区间内的订单笔数,而不是该区间的销售额总和。例如某区间有10笔订单、每笔80元,柱高应为10笔,不是800元。

用订单金额计算分箱频数

准备一组虚构的样例数据:同一自然周内24笔已支付且未退款订单的实付金额,单位为元,按升序排列:

25、38、45、52、59、68、72、79、85、91、98、105、118、135、146、160、175、198、225、268、330、460、710、1280。

首先选择100元作为分箱宽度,从0元开始划分连续区间。采用左闭右开的边界规则:区间[0,100)包含0元,但不包含100元;100元应进入[100,200)。这可以避免边界值被重复计算。

逐笔归入对应区间,得到以下频数表:

金额区间(元) 订单数(笔)
[0,100) 11
[100,200) 7
[200,300) 2
[300,400) 1
[400,500) 1
[500,600) 0
[600,700) 0
[700,800) 1
[800,900) 0
[900,1000) 0
[1000,1100) 0
[1100,1200) 0
[1200,1300) 1
[1300,1400) 0
合计 24

绘图时,横轴覆盖0~1400元,每根柱子的实际数值跨度都是100元;纵轴从0笔开始,最高柱达到11笔。没有订单的区间保留在数轴上,不应把[700,800)和[1200,1300)两个区间直接拼接。

检查时必须满足两个条件:全部区间的频数合计为24;每笔订单只落入一个区间。例如1280元必须归入[1200,1300),而不是[1100,1200)。

改变分箱宽度观察形态变化

分箱宽度决定图表对局部差异的呈现程度。箱宽较小,容易看到局部起伏,但可能产生大量稀疏柱;箱宽较大,整体趋势更平滑,却可能掩盖有意义的聚集区间。

使用同一批24笔订单,分别设置50元、100元和200元的箱宽:

箱宽 典型区间及频数 观察结果
50元 [0,50)为3笔,[50,100)为8笔 能看出50~100元更集中
100元 [0,100)为11笔,[100,200)为7笔 能直接比较低价订单的两个主要区间
200元 [0,200)为18笔,[200,400)为3笔 整体集中趋势明显,但隐藏了200元以下的内部差异

同一批24笔订单在50元、100元和200元分箱宽度下的直方图对比

比较不同箱宽时,应尽量保持相同的横轴范围和纵轴刻度。例如三图均使用0~1400元的横轴、0~20笔的纵轴,这样不会把坐标轴缩放造成的视觉变化误认为真实的数据差异。

在实际项目中,可以先使用一个便于解释的箱宽,再尝试缩小或扩大一倍。本例可先用100元分箱,再比较50元和200元。如果主要结论对箱宽非常敏感,就不应只展示其中一种结果。

从直方图判断集中区间、右偏和长尾

观察分布时,可以先看最高的柱子,再看柱子向左右两侧如何变化,最后确认远离集中区域的零星观测值。

本例的100元分箱中,0~100元有11笔、100~200元有7笔。因此200元以下共有18笔,占24笔订单的75%。这说明样本订单主要集中在200元以下,比笼统地说‘大部分订单金额不高’更可检验。

接着观察偏态。左侧低金额区间频数高,右侧延伸到710元和1280元,说明样本分布呈现明显的右偏形态。右偏是指右侧尾部较长,并不是把图表整体向右移动。

还可以计算均值和中位数辅助判断:24笔订单金额总和为5022元,均值为209.25元;排序后第12、13笔分别为105元和118元,中位数为111.5元。

均值明显高于中位数,与右侧存在少数大额订单的现象一致。但均值高于中位数本身不是判定分布右偏的充分条件,仍要结合图形观察。

远端的710元和1280元形成稀疏的右侧尾部。在业务表述中可以称为‘右侧长尾’,但仅凭24笔数据不能断言总体服从某种长尾概率分布,也不能把大额订单直接判为异常。

如果需要专门检查小额订单,可以制作一张0~300元的局部放大图。此时必须注明该范围仅包含20笔订单,占全部24笔的83.3%,并保留完整分布图供读者核对,不能不加说明地隐藏其余4笔。

检查图表是否准确传达分布

直方图交付前,按以下顺序进行验收:

  1. 核对统计口径。 明确时间范围、金额单位、支付状态和退款处理规则。本例为24笔已支付、未退款订单,不能把已取消订单混入统计。
  2. 核对分箱边界。 所有区间必须连续、互不重叠。本例100元分箱采用左闭右开规则,频数总和必须是24。
  3. 核对坐标与柱形。 横轴标明‘订单金额(元)’,纵轴标明‘订单数(笔)’;等宽区间对应等宽柱,纵轴从0开始,不用三维透视或不规则柱宽夸大差异。
  4. 核对空区间和尾部。 [500,600)、[600,700)等零频区间不得被压缩删除;710元和1280元必须保留,除非明确声明筛选范围。
  5. 核对结论与样本量。 ‘24笔样本中75%的订单低于200元’是有依据的描述;‘所有用户都偏好低价商品’则超出了数据能够支持的范围。

实际交付的图注可以写为:‘24笔已支付、未退款订单的实付金额分布;箱宽100元;左闭右开分箱;纵轴为订单笔数。’

当图表出现明显右偏时,报告中可以同时提供中位数和均值,避免只报告209.25元的均值,让读者误以为典型订单金额就在200元附近。对这批数据,更准确的结论是:订单主要集中于200元以下,少数大额订单拉长了右侧尾部;这仍然只是24笔样本的观察结果。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用直方图识别数据分布形态

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通