4. 探索性数据分析与分布初判

在完成输入参数的识别与数据采集之后，我们手里往往只有一张原始数据表：几百到几千行、若干列参数值。此时直接套用某个分布去拟合，风险很高——数据里可能藏着双峰、离群点、截断或量测分辨率造成的堆积，这些结构一旦被忽略，后续抽样就会系统性偏离真实不确定性。探索性数据分析（EDA）的任务，就是在拟合之前先用图形把数据的"形状"看清楚，并据此形成候选分布族的初步判断。

本节聚焦四类最常用的可视化工具：直方图、经验累积分布函数（ECDF）、箱线图与分位数图（Q-Q 图）。它们各自回答不同的问题，组合使用才能形成较完整的判断。

四类图形的分工

直方图回答"数据大致长什么样"。它把取值范围切成若干等宽区间，统计落入每个区间的样本数。观察要点包括：峰的数量（单峰还是双峰）、对称性（是否明显右偏）、尾部厚度（是否有长尾）、端点行为（是否在某个值处突然截断）。分箱数对形状影响很大，样本量 n 在数百量级时，可先用 Sturges 规则 k≈1+3.322·log₁₀n 起步，再上下调整观察稳定性；若形状随分箱数剧烈变化，说明样本不足或结构复杂，需要谨慎。

ECDF回答"任意阈值以下占多大比例"。它不需要分箱，因而没有分箱主观性，对样本量小的情况尤其稳健。ECDF 的斜率反映局部密度：斜率陡说明该区间样本密集，斜率平说明稀疏。两个 ECDF 的对比还能直观看出两组数据（例如不同工况、不同批次）是否整体平移或形状不同。

箱线图回答"中心、离散与离群点在哪里"。五数概括（最小值、Q1、中位数、Q3、最大值）加上 1.5 倍四分位距（IQR）规则的离群点标记，能快速暴露偏态（中位数不居中）和异常值数量。注意：箱线图对双峰不敏感，不能单独用来判断分布族。

分位数图（Q-Q 图）回答"数据与某个候选分布有多接近"。把样本分位数与候选分布的理论分位数作图，若数据来自该分布，点应大致落在 45° 参考线上。尾部偏离提示尾部行为不符（例如正态拟合下两端上翘说明实际尾部更厚），中部弯曲提示偏态或位置—尺度不匹配。Q-Q 图是"初判"阶段最有力的确认工具，但它是针对特定候选分布逐一检验的，因此需要先用前三类图缩小候选范围。

从图形到候选分布族的判断逻辑

四类图形不是并列的，而是有先后与互补关系。一个可操作的判断顺序是：先用直方图与 ECDF 确定"单峰/多峰、对称/偏斜、有界/无界、尾部厚薄"，再用箱线图核对离群点规模与中位数位置，最后用 Q-Q 图对 2～3 个候选分布逐一检验，看哪个在主体段与尾部都贴合得更好。

把常见形状与候选族对应起来，可以形成如下经验映射（仅作初判起点，最终仍需拟合优度检验）：

一个可复现的示例

假设某结构参数（教学假设数据，n=300）的直方图呈单峰右偏、取值全部为正、上尾较长；ECDF 中段陡、尾部平缓；箱线图中位数靠近 Q1、上须明显长于下须，1.5·IQR 之外有 4 个离群点；对正态做 Q-Q 图时两端明显上翘。综合判断：右偏、非负、厚尾，候选族优先考虑对数正态与威布尔，正态仅作为对照。下一步应对数据取自然对数后再看直方图与 Q-Q 图——若对数变换后近似对称且 Q-Q 贴合，则对数正态的可信度显著提高。

用 Python 快速完成上述探索的骨架如下（示例代码，数据需替换为实际样本）：

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

x = np.asarray(samples)          # 一维样本数组

fig, ax = plt.subplots(2, 2, figsize=(10, 8))

# ① 直方图 + 核密度
ax[0, 0].hist(x, bins=20, density=True, alpha=0.6, color="#5aa9e6")
ax[0, 0].set_title("直方图")

# ② ECDF
xs = np.sort(x)
ys = np.arange(1, len(xs) + 1) / len(xs)
ax[0, 1].step(xs, ys, where="post", color="#1f8a70")
ax[0, 1].set_title("经验累积分布")

# ③ 箱线图
ax[1, 0].boxplot(x, vert=False)
ax[1, 0].set_title("箱线图")

# ④ Q-Q 图（以对数正态为候选）
stats.probplot(np.log(x), dist="norm", plot=ax[1, 1])
ax[1, 1].set_title("ln(x) 的正态 Q-Q 图")

plt.tight_layout()
plt.show()

注意最后一张图的做法：对右偏非负数据，直接对原值做正态 Q-Q 图几乎必然失败，正确做法是先取对数再检验其正态性，这等价于检验原值是否服从对数正态。这一"变换后再检验"的思路，是把图形判读转化为候选分布族结论的关键一步。

初判结论的记录方式

探索性分析的产出不应只是几张图，而应形成一条可追溯的判断记录，供后续拟合与校验环节复核。建议至少记录：样本量与来源、各图形的关键观察（峰数、偏态方向、离群点数量、Q-Q 偏离位置）、候选分布族排序及理由、以及被排除的分布族及排除依据。这样在后续做拟合优度检验（如 K-S、A-D 检验）时，若检验结果与初判冲突，就能快速定位是数据问题还是模型假设问题。

需要强调的是，EDA 阶段的结论是"候选"而非"定论"。图形判读带有主观性，不同人看同一张直方图可能给出不同分箱下的不同印象。因此初判的作用是缩小搜索空间、避免明显错误的分布假设，真正的取舍仍要交给参数估计与拟合优度检验。把这一步做扎实，后续的分布拟合才不至于在错误的方向上反复调整。