1. 课程导入与数据探索

在真实的数据分析工作中，我们很少一上来就做假设检验。更常见的路径是：先拿到一批数据，先看它长什么样，再决定用什么模型去描述它、用什么方法去检验它。分布拟合回答的是“这批数据像哪种概率分布”，参数检验回答的是“这种像，是不是统计上站得住脚”。两者一前一后，构成了从数据到推断的桥梁。本节作为全课程的开篇，不急于推导公式，而是先把这两个概念放回数据分析的整体流程中，并用一个客户消费金额的真实场景，完整走一遍描述性统计与可视化探索，让你看到“识别分布形态”这件事在实操中究竟怎么做。

分布拟合与参数检验在分析流程中的位置

一个典型的数据分析链条可以概括为：业务问题 → 数据获取与清洗 → 探索性分析（EDA）→ 分布假设 → 模型选择 → 参数估计与检验 → 结论与决策。分布拟合处在“探索性分析”与“模型选择”之间，它把肉眼看到的直方图形态，转化为一个可命名的概率模型；参数检验则处在“参数估计”之后，用来判断估计出的参数、以及模型本身是否与数据相容。换句话说，拟合是提出假设，检验是验证假设。很多初学者跳过探索直接套用正态分布，结果在明显右偏的消费数据上做出错误推断，这正是本节要提前建立的习惯：先看，再拟合，最后检验。

用一份消费金额数据做描述性统计

假设我们拿到某电商平台 1200 名客户近一年的消费金额（单位：元），数据已清洗掉退款与异常负值。第一步不是画图，而是算几个关键数字。用 Python 的 pandas 可以这样快速得到：

import pandas as pd
df = pd.read_csv("customer_spend.csv")
s = df["amount"]
print(s.describe())
print("偏度:", s.skew(), "峰度:", s.kurt())
print("中位数:", s.median())

假设输出为：均值约 486 元，中位数约 312 元，标准差约 402 元，最小值 18 元，最大值 3860 元，偏度约 2.1，峰度约 6.8。这组数字已经透露了重要信息：均值明显大于中位数，说明分布右侧有一条长尾，少数高消费客户把均值拉高了；偏度 2.1 远大于 0，进一步确认右偏；峰度 6.8 高于正态分布的 3，说明尖峰厚尾。此时如果直接假设正态分布，就会低估高消费区间出现的概率，也会错误地认为消费金额可以为负——而金额显然非负。这些判断不需要任何检验，仅靠描述统计就能建立初步方向。

可视化：让形态自己说话

数字之外，图形是识别分布形态最直接的工具。直方图看整体形状，箱线图看离群点与四分位结构，Q-Q 图看与某个理论分布的偏离程度。实操中建议三者结合：

• 直方图：分箱数取 20～30 之间，观察是否单峰、是否右偏、尾部有多长。本例中会看到大量客户集中在 100～400 元，随后频数快速下降并拖出一条长尾。
• 箱线图：上须之外出现大量散点，说明存在高额消费离群值，这与右偏一致，也提醒我们不要简单删除这些点，它们可能是真实的高价值客户。
• Q-Q 图：把样本分位数与正态分位数对比，若点明显向上弯曲偏离对角线，说明尾部比正态更厚，正态假设不成立。

需要强调的是，可视化不是“看一眼就完事”，而是要把观察到的特征转化为可检验的假设。看到右偏、非负、长尾，就应该把对数正态、伽马、威布尔等右偏分布列入候选，而不是只盯着正态。这正是下一阶段分布拟合的输入。

从探索结论到候选分布

把上面的观察整理成一张判断依据表，可以让后续拟合更有章法。下表是示例数据对应的探索结论，参数均为教学假设值，用于说明判断逻辑，并非真实实测结果。

一个容易踩的坑：先检验后看图

不少学习者习惯直接跑一个正态性检验，看到 p 值小于 0.05 就宣布“不是正态”，然后陷入“那到底是什么分布”的困境。问题在于，检验只能否定，不能指路。正确的顺序是先用描述统计和可视化建立形态直觉，形成候选假设，再用检验去比较候选模型。以本例为例，若先做 Shapiro-Wilk 检验，几乎必然拒绝正态，但这个结论对建模帮助有限；而先看到右偏长尾，再拟合对数正态并用 K-S 检验评估，才能得到可用的模型。这个顺序习惯，将贯穿本课程后续所有章节。

本节没有涉及任何公式推导，但已经完成了分布拟合最重要的前置工作：理解数据的基本特征，识别可能的分布形态，并把观察转化为可检验的假设。带着这份探索结论进入下一阶段的拟合与参数检验，你会发现后面的方法不再是空中楼阁，而是对眼前这张右偏直方图的自然回应。