多变量分析统计基于的假设

1. 正态性
   当谈论正态性时，即数据应该看起来像正态分布。这很重要，因为几个统计检验都依赖于此（例如t统计）。单变量正态性虽然不能确保多变量正态性（这是我们想要的），但它有帮助。在大样本数据中，如果我们解决正态性，我们就避免了很多其他问题（例如异方差），所以这就是我们进行这种分析的主要原因。
2. 同方差
   同方差性是指“假设因变量在预测变量范围内的方差水平相等。同方差是可取的，因为我们希望误差项在所有自变量的值上都是相同的。
3. 线性度
   评估线性度最常见的方法是检查散点图并寻找线性模式。如果模式不是线性的，那么研究数据转换是值得的。
4. 无相关误差。
   相关错误是在一个错误与另一个错误相关联时发生的。
   例如，如果一个正误差系统地产生一个负误差，则意味着这些变量之间存在关联。
   这通常发生在时间序列中，其中某些模式与时间相关。

1.为什么变量分布要呈现正态分布？

  我不是统计学科班，对于这些统计上的概念不是很理解。在特征工程中，我们为什么想要变量分布呈现正态分布？我觉得可以这么理解：单变量正态性虽然不能保证多变量的正态性，但是它是有帮助的。并且一般解决了正态性问题的话，就可以解决异方差或者线性度的问题。而且很多模型假设数据服从正态分布后，它的样本均值和方差就相互独立，这样就能更好的进行统计推断和假设验证。

2.判断数据是否服从正态分布的指标：偏态与峰度

  这里就不详细介绍了，可参考其他博客偏态与分布。
  正态分布是指多数频数集中在中央位置，两端的频数分布大致对称。偏态分布是指频数分布不对称，集中位置偏向一侧。若集中位置偏向数值小的一侧，称为正(右)偏态分布；集中位置偏向数值大的一侧，称为负(左)偏态分布。与正态分布相对而言，偏态分布有两个特点：

1. 左右不对称（即所谓偏态）；
2. 当样本增大时，其均数趋向正态分布

df[var].kurtosis(),df[var].skew()

在pandas中有skew()方法来表示偏态，大于0右偏，小于0左偏。在pandas中使用kurtosis()方法来表示峰度，kurtosis>0，尖峰态（leptokurtic），数据集比较分散，极端数值较多。kurtosis<0，低峰态（platykurtic），数据集比较集中，两侧的数据比较少

3.如何调整原始分布趋于正态分布？

  数据右偏的话可以对所有数据取对数、取平方根等，它的原理是因为这样的变换的导数是逐渐减小的，也就是说它的增速逐渐减缓，所以就可以把大的数据向左移，使数据接近正态分布。 如果左偏的话可以取相反数转化为右偏的情况。
通常来说，可以尝试一下几种方法：
如果数据高度偏态，则使用对数变换

1. 对数变换 即将原始数据X的对数值作为新的分布数据：

   x = np.log(x)
   

   当原始数据中有小值及零时,

   x = np.log1p(x)
   

如果数据轻度偏态，则使用平方根变换

2. 平方根变换 即将原始数据X的平方根作为新的分布数据

   x = np.sqrt(x)
   

如果数据的两端波动较大，则使用倒数变换

1. 倒数变换 即将原始数据X的倒数作为新的分析数据

   x = 1 / x
   

平方根反正弦变换
方差分析的一个重要前提就是数据要符合正态分布，但是如果我们分析的数据是比值的时候，因为比值一般都不符合正态分布，所以为了使数据符合方差分析的要求，我们会对百分比的平方根取反正弦变化以改善分布的正态性，获得一个比较一致的方差。

1. 平方根反正弦变换 即将原始数据X的平方根反正弦值作为新的分析数据

对于双峰偏态数据，可以参考下面一篇文章。

双峰偏态数据如何转变为正态分布数据
它好像仅限双峰，我试了一下三峰
转换前

转换后

代码

dfg = QuantileTransformer(n_quantiles = 300,output_distribution='normal', random_state=0).fit_transform(df['GarageArea'].values.reshape(-1,1))
dfg = pd.Series(dfg.flatten())
# 画直方图与连续概率估计，fit参数传入norm-标准正态分布
sns.distplot(dfg, fit=norm);
fig = plt.figure()
# probplot，样本数据相对于指定的理论分布(默认为正态分布)的分位数的概率。probplot可以计算出数据的最佳拟合线。这个图是用来看线性度的
res = probplot(dfg, plot=plt)

---

如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论留言！

---