1. 如何描述一组数据的数据分布特征
数据分布特征的描述：
1、数据分布集中趋势
2、数据分布离散程度
3、数据分布偏态与峰度
具体参考:
2. 如何分析数据之间的分布类型
分析数据之间的分布类型的方法：
首先根据样本点特征判断是离散型还是连续型。
离散型分布常用的有二项分布，泊松分布，离散均匀分布，几何分布，超几何分布等等。可以根据直方图判断大概的分布类型，然后估计相应的分布参数，最后用goodness of fit检验。
连续型分布常用的有正态分布，t-分布，F-分布，卡方分布，指数分布，Gamma-分布，Beta-分布等等。同样根据直方图判断大概的分布类型，然后估计相应的分布参数。检验部分可用KS检验（Kolmogorov-Smirnov检验）。
(2)怎样评论数据分布情况扩展阅读：
统计学常用方法：
一、描述统计
描述统计是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。描述统计分为集中趋势分析和离中趋势分析和相关分析三大部分。
集中趋势分析：集中趋势分析主要靠平均数、中数、众数等统计指标来表示数据的集中趋势。例如被试的平均成绩多少？是正偏分布还是负偏分布？
离中趋势分析：离中趋势分析主要靠全距、四分差、平均差、方差（协方差：用来度量两个随机变量关系的统计量）、标准差等统计指标来研究数据的离中趋势。
相关分析：相关分析探讨数据之间是否具有统计学上的关联性。
推论统计：
推论统计是统计学乃至于心理统计学中较为年轻的一部分内容。它以统计结果为依据，来证明或推翻某个命题。
正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。
二、假设检验
1、参数检验
参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。
1）U验 ：使用条件：当样本含量n较大时，样本值符合正态分布。
2）T检验 使用条件：当样本含量n较小时，样本值符合正态分布。
2、非参数检验
非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。
适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。
A、虽然是连续数据，但总体分布形态未知或者非正态；
B、体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；
主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。
三、信度分析
介绍：信度（Reliability）即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度指标多以相关系数表示，大致可分为三类：稳定系数（跨时间的一致性），等值系数（跨形式的一致性）和内在一致性系数（跨项目的一致性）。信度分析的方法主要有以下四种：重测信度法、复本信度法、折半信度法、α信度系数法。
四、相关分析
研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。
1、单相关： 两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量；
2、复相关 ：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关；
3、偏相关：在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量之间的相关关系称为偏相关。
五、方差分析
使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。
六、回归分析
1、一元线性回归分析：只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布。
2、多元线性回归分析
使用条件：分析多个自变量与因变量Y的关系，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布 。
3. 用spss如何确定数据分布特征
1、第一步：将数据录入到SPSS的数据视图中，这一步与前面t检验相同，输入数据后，选择【分析】→【比较均值】→【单因素ANOVA】。
(3)怎样评论数据分布情况扩展阅读
从10版起，对数据和结果的图表呈现功能一直是SPSS改进的重点。在16版中，SPSS推出了全新的常规图功能，报表功能也达到了比较完善的地步。13版将针对使用中出现的一些问题，以及用户的需求对图表功能作进一步的改善。
1、统计图：在经过一年的使用后，新的常规图操作界面已基本完善，本次的改进除使得操作更为便捷外，还突出了两个重点。
首先在常规图中引入更多的交互图功能，如图组（Paneled charts），带误差线的分类图形如误差线条图和线图，三维效果的简单和分段饼图等。其次是引入几种新的图形，已知的有人口金字塔和点密度图两种。
2、统计表：几乎全部过程的输出都将会弃用文本，改为更美观的枢轴表。而且枢轴表的表现和易用性会得到进一步的提高，并加入了一些新的功能。
如可以对统计量进行排序、在表格中合并/省略若干小类的输出等。枢轴表将可以被直接导出到PowerPoint中，这些无疑都方便了用户的使用。
4. 如何评价大数据产品,从几个维度去了解
我们都在说大数据，我们都说大数据要从工具向思维进行转变，那么大数据思维到底是什么样的思维，下面我们就来说说大数据思维的三个重要的维度。
第一、描述思维
也就是要将一些的结构化的数据或者非结构化的数据都变为客观的标准，在大数据思维的过程中，涉及了很多人为的因素，这些也是可以进行数据分析的，举一个例子就是消费者行为的研究，消费者行为可以是定量的，也可以是不定量的，描述思维就要包含消费者行为的各个方面。这里举一个例子就是商场会对连入局域网的客户继续进行数据的采集，了解客户的消费情况以及分布的情况，消费者可以实现购物、用餐、休闲、娱乐一条龙的服务，并且也可以在很大的程度上提升用户的体验度。在一些大型的景区或者游乐场，大数据可以帮助景区进行更好的游客管理。
第二、相关性思维
就是对于数据之间相关性的研究，对于消费者行为或者用户行为的研究方面，这些行为在一定程度上，大大小小和其他不同的数据都是有内在的联系的，大数据分析的结果就可以更好的建立起数据预测的模型，可以用来预测消费者的偏好和行为，相关性的研究和纷纷也可以更好的支持预测思维，例如在现代物流行业，可以根据消费者的购买行为或者购买习惯，路线以及评价等预测下次的购买行为，现将一些货物进行分仓的存储，在消费者网络下订单之后，可以第一时间就配送到位，大大提升了用户的体验度。以及电商的一个重要的商品推荐功能，也是和大数据的相关性思维密不可分，我们在浏览页面或者是购物完成之后经常会受到类似的推荐功能，虽然说并不是百分之百都会购买，但是推荐还是有效果的。
第三、攻略思维
在大数据继续预测以及分析之后，企业可以根据大数据分析的结果进行营销策略的调整，这才是大数据营销的主要目的，从描述到预测，最后到攻略，这也是大数据思维的一个完整的过程。
5. 如何判断一组数据是什么分布
1.首先筛选数据可能的概率分布类型.有可能你知道数据的分布类型了,只是不知道其参数；
有可能你根据经验大致知道可能有几种分布类型,只是需要确定； 也有可能你完全不知道到底是什么分布类型.
如果是前两者,那还容易点吧.如果是第三者,建议通过画图来大致筛选分布类型：
很简单,你可以去查相关的概率论资料,了解主要的分布类型的密度函数（PDF）或累计密度函数（CDF）的形状,基本上还是有差别的； 然后根据数据画出密度函数曲线,对比一下,应该就能大致判断数据会是什么类型的概率分布.
2.如上,确定了一种或数种可能的概率分布后,接下来,就是要验证和求出概率分布的参数.这个可以用拟合法
（最小二乘法啊诸如此类）,如果拟合的精度很高的话,那就基本可以确定数据的分布了.
6. excel怎么分析数据分布特征
如图:
这已是一个简单的数据列表了,有"项目"("姓名"和"销售数据"),有"数据"("甲","50",乙","60").
但作为一个简单的表格,似乎还要加上标题和框线,如图:
复杂的就可根据实际需要,自己去设计吧.
7. 如何简洁明了的看出两组数据的分布情况
在进行统计时，要简洁明了地看出两组数据的分布情况，可以把两个统计表合并成一个。就是用折线图
8. 直方图数据分布特点怎么描述
直方图是以柱形来描绘数据的分布情况的图形，是七种常见量表中的一种。直方图一般是用于描述连续性数据的分布情况。
直方图可以用来：
1、描述各组分的数据分布情况，即各组分各自占比多少；
2、描述整个数据是否符合正态分布或者偏态分布；
3、可以用作环比和同比数据变化的描述；
4、是数据分析的常用工具，主要特点就是直观。
9. 如何说明数据分布特征
对数据做好质量分析后，接下来就可以通过绘制图表、计算某些特征量等方法对数据进行特征分析。
数据特征分析主要包括这些内容：分布分析、对比分析、统计量分析、周期性分析、贡献度分析、相关性分析等。
分布分析，揭示数据的分布特征和分布类型。
对于定量数据，可以做出频率分布表、绘制频率分布直方图或者茎叶图;对于定性分类数据，可以使用饼图或者条形图直观地显示分布情况。
对比分析，把两个相互联系的指标进行比较，从数量上展示和说明研究对象规模的大小、水平的高低、速度的快慢以及各种关系是否协调。
对比分析主要有绝对数比较和相对数比较两种形式。
统计量分析，用统计指标对定量数据进行统计描述，常从集中趋势和离中趋势两个方面进行分析。
贡献度分析，又称帕累托分析，其原理是帕累托法则，即20/80定律，同样的投入放在不同的地方会产生不同的效益。
通过贡献度分析，关注那些能够带来高价值的投入。
10. 如何用excel看一组数据的分布情况
1、首先在电脑中打开excel表格，准备一份数据，选中这些数据，如下图所示。