1. 如何描述一組數據的數據分布特徵
數據分布特徵的描述：
1、數據分布集中趨勢
2、數據分布離散程度
3、數據分布偏態與峰度
具體參考:
2. 如何分析數據之間的分布類型
分析數據之間的分布類型的方法：
首先根據樣本點特徵判斷是離散型還是連續型。
離散型分布常用的有二項分布，泊松分布，離散均勻分布，幾何分布，超幾何分布等等。可以根據直方圖判斷大概的分布類型，然後估計相應的分布參數，最後用goodness of fit檢驗。
連續型分布常用的有正態分布，t-分布，F-分布，卡方分布，指數分布，Gamma-分布，Beta-分布等等。同樣根據直方圖判斷大概的分布類型，然後估計相應的分布參數。檢驗部分可用KS檢驗（Kolmogorov-Smirnov檢驗）。
(2)怎樣評論數據分布情況擴展閱讀：
統計學常用方法：
一、描述統計
描述統計是通過圖表或數學方法，對數據資料進行整理、分析，並對數據的分布狀態、數字特徵和隨機變數之間關系進行估計和描述的方法。描述統計分為集中趨勢分析和離中趨勢分析和相關分析三大部分。
集中趨勢分析：集中趨勢分析主要靠平均數、中數、眾數等統計指標來表示數據的集中趨勢。例如被試的平均成績多少？是正偏分布還是負偏分布？
離中趨勢分析：離中趨勢分析主要靠全距、四分差、平均差、方差（協方差：用來度量兩個隨機變數關系的統計量）、標准差等統計指標來研究數據的離中趨勢。
相關分析：相關分析探討數據之間是否具有統計學上的關聯性。
推論統計：
推論統計是統計學乃至於心理統計學中較為年輕的一部分內容。它以統計結果為依據，來證明或推翻某個命題。
正態性檢驗：很多統計方法都要求數值服從或近似服從正態分布，所以之前需要進行正態性檢驗。常用方法：非參數檢驗的K-量檢驗、P-P圖、Q-Q圖、W檢驗、動差法。
二、假設檢驗
1、參數檢驗
參數檢驗是在已知總體分布的條件下（一股要求總體服從正態分布）對一些主要的參數(如均值、百分數、方差、相關系數等）進行的檢驗。
1）U驗 ：使用條件：當樣本含量n較大時，樣本值符合正態分布。
2）T檢驗 使用條件：當樣本含量n較小時，樣本值符合正態分布。
2、非參數檢驗
非參數檢驗則不考慮總體分布是否已知，常常也不是針對總體參數，而是針對總體的某些一股性假設（如總體分布的位罝是否相同，總體分布是否正態）進行檢驗。
適用情況：順序類型的數據資料，這類數據的分布形態一般是未知的。
A、雖然是連續數據，但總體分布形態未知或者非正態；
B、體分布雖然正態，數據也是連續類型，但樣本容量極小，如10以下；
主要方法包括：卡方檢驗、秩和檢驗、二項檢驗、遊程檢驗、K-量檢驗等。
三、信度分析
介紹：信度（Reliability）即可靠性，它是指採用同樣的方法對同一對象重復測量時所得結果的一致性程度。信度指標多以相關系數表示，大致可分為三類：穩定系數（跨時間的一致性），等值系數（跨形式的一致性）和內在一致性系數（跨項目的一致性）。信度分析的方法主要有以下四種：重測信度法、復本信度法、折半信度法、α信度系數法。
四、相關分析
研究現象之間是否存在某種依存關系，對具體有依存關系的現象探討相關方向及相關程度。
1、單相關： 兩個因素之間的相關關系叫單相關，即研究時只涉及一個自變數和一個因變數；
2、復相關 ：三個或三個以上因素的相關關系叫復相關，即研究時涉及兩個或兩個以上的自變數和因變數相關；
3、偏相關：在某一現象與多種現象相關的場合，當假定其他變數不變時，其中兩個變數之間的相關關系稱為偏相關。
五、方差分析
使用條件：各樣本須是相互獨立的隨機樣本；各樣本來自正態分布總體；各總體方差相等。
六、回歸分析
1、一元線性回歸分析：只有一個自變數X與因變數Y有關，X與Y都必須是連續型變數，因變數y或其殘差必須服從正態分布。
2、多元線性回歸分析
使用條件：分析多個自變數與因變數Y的關系，X與Y都必須是連續型變數，因變數y或其殘差必須服從正態分布 。
3. 用spss如何確定數據分布特徵
1、第一步：將數據錄入到SPSS的數據視圖中，這一步與前面t檢驗相同，輸入數據後，選擇【分析】→【比較均值】→【單因素ANOVA】。
(3)怎樣評論數據分布情況擴展閱讀
從10版起，對數據和結果的圖表呈現功能一直是SPSS改進的重點。在16版中，SPSS推出了全新的常規圖功能，報表功能也達到了比較完善的地步。13版將針對使用中出現的一些問題，以及用戶的需求對圖表功能作進一步的改善。
1、統計圖：在經過一年的使用後，新的常規圖操作界面已基本完善，本次的改進除使得操作更為便捷外，還突出了兩個重點。
首先在常規圖中引入更多的交互圖功能，如圖組（Paneled charts），帶誤差線的分類圖形如誤差線條圖和線圖，三維效果的簡單和分段餅圖等。其次是引入幾種新的圖形，已知的有人口金字塔和點密度圖兩種。
2、統計表：幾乎全部過程的輸出都將會棄用文本，改為更美觀的樞軸表。而且樞軸表的表現和易用性會得到進一步的提高，並加入了一些新的功能。
如可以對統計量進行排序、在表格中合並/省略若干小類的輸出等。樞軸表將可以被直接導出到PowerPoint中，這些無疑都方便了用戶的使用。
4. 如何評價大數據產品,從幾個維度去了解
我們都在說大數據，我們都說大數據要從工具向思維進行轉變，那麼大數據思維到底是什麼樣的思維，下面我們就來說說大數據思維的三個重要的維度。
第一、描述思維
也就是要將一些的結構化的數據或者非結構化的數據都變為客觀的標准，在大數據思維的過程中，涉及了很多人為的因素，這些也是可以進行數據分析的，舉一個例子就是消費者行為的研究，消費者行為可以是定量的，也可以是不定量的，描述思維就要包含消費者行為的各個方面。這里舉一個例子就是商場會對連入區域網的客戶繼續進行數據的採集，了解客戶的消費情況以及分布的情況，消費者可以實現購物、用餐、休閑、娛樂一條龍的服務，並且也可以在很大的程度上提升用戶的體驗度。在一些大型的景區或者游樂場，大數據可以幫助景區進行更好的遊客管理。
第二、相關性思維
就是對於數據之間相關性的研究，對於消費者行為或者用戶行為的研究方面，這些行為在一定程度上，大大小小和其他不同的數據都是有內在的聯系的，大數據分析的結果就可以更好的建立起數據預測的模型，可以用來預測消費者的偏好和行為，相關性的研究和紛紛也可以更好的支持預測思維，例如在現代物流行業，可以根據消費者的購買行為或者購買習慣，路線以及評價等預測下次的購買行為，現將一些貨物進行分倉的存儲，在消費者網路下訂單之後，可以第一時間就配送到位，大大提升了用戶的體驗度。以及電商的一個重要的商品推薦功能，也是和大數據的相關性思維密不可分，我們在瀏覽頁面或者是購物完成之後經常會受到類似的推薦功能，雖然說並不是百分之百都會購買，但是推薦還是有效果的。
第三、攻略思維
在大數據繼續預測以及分析之後，企業可以根據大數據分析的結果進行營銷策略的調整，這才是大數據營銷的主要目的，從描述到預測，最後到攻略，這也是大數據思維的一個完整的過程。
5. 如何判斷一組數據是什麼分布
1.首先篩選數據可能的概率分布類型.有可能你知道數據的分布類型了,只是不知道其參數；
有可能你根據經驗大致知道可能有幾種分布類型,只是需要確定； 也有可能你完全不知道到底是什麼分布類型.
如果是前兩者,那還容易點吧.如果是第三者,建議通過畫圖來大致篩選分布類型：
很簡單,你可以去查相關的概率論資料,了解主要的分布類型的密度函數（PDF）或累計密度函數（CDF）的形狀,基本上還是有差別的； 然後根據數據畫出密度函數曲線,對比一下,應該就能大致判斷數據會是什麼類型的概率分布.
2.如上,確定了一種或數種可能的概率分布後,接下來,就是要驗證和求出概率分布的參數.這個可以用擬合法
（最小二乘法啊諸如此類）,如果擬合的精度很高的話,那就基本可以確定數據的分布了.
6. excel怎麼分析數據分布特徵
如圖:
這已是一個簡單的數據列表了,有"項目"("姓名"和"銷售數據"),有"數據"("甲","50",乙","60").
但作為一個簡單的表格,似乎還要加上標題和框線,如圖:
復雜的就可根據實際需要,自己去設計吧.
7. 如何簡潔明了的看出兩組數據的分布情況
在進行統計時，要簡潔明了地看出兩組數據的分布情況，可以把兩個統計表合並成一個。就是用折線圖
8. 直方圖數據分布特點怎麼描述
直方圖是以柱形來描繪數據的分布情況的圖形，是七種常見量表中的一種。直方圖一般是用於描述連續性數據的分布情況。
直方圖可以用來：
1、描述各組分的數據分布情況，即各組分各自佔比多少；
2、描述整個數據是否符合正態分布或者偏態分布；
3、可以用作環比和同比數據變化的描述；
4、是數據分析的常用工具，主要特點就是直觀。
9. 如何說明數據分布特徵
對數據做好質量分析後，接下來就可以通過繪制圖表、計算某些特徵量等方法對數據進行特徵分析。
數據特徵分析主要包括這些內容：分布分析、對比分析、統計量分析、周期性分析、貢獻度分析、相關性分析等。
分布分析，揭示數據的分布特徵和分布類型。
對於定量數據，可以做出頻率分布表、繪制頻率分布直方圖或者莖葉圖;對於定性分類數據，可以使用餅圖或者條形圖直觀地顯示分布情況。
對比分析，把兩個相互聯系的指標進行比較，從數量上展示和說明研究對象規模的大小、水平的高低、速度的快慢以及各種關系是否協調。
對比分析主要有絕對數比較和相對數比較兩種形式。
統計量分析，用統計指標對定量數據進行統計描述，常從集中趨勢和離中趨勢兩個方面進行分析。
貢獻度分析，又稱帕累托分析，其原理是帕累托法則，即20/80定律，同樣的投入放在不同的地方會產生不同的效益。
通過貢獻度分析，關注那些能夠帶來高價值的投入。
10. 如何用excel看一組數據的分布情況
1、首先在電腦中打開excel表格，准備一份數據，選中這些數據，如下圖所示。