当前位置：首页 > news >正文

数据分析师必学：统计学核心概念与Python实战路径

news 2026/8/29 8:45:50

数据分析师这门岗位，入门容易，想往深处走却经常卡在一个地方：业务问题能听懂，数据能取到，Excel 或 Python 也能操作，但真到“该用什么方法验证结论”“这个指标差异算不算显著”“两个变量之间到底有没有关系”时，就没有底气了。这个问题背后，缺的其实不是代码能力，而是统计学底子。

很多转行数据分析的朋友一开始都会问：统计学到底要学到什么程度？是不是要会推导公式？实际上，对数据分析师来说，统计学不是数学课，而是一套做决策的语言。它帮我们把“感觉上好像有差异”变成“在 95% 置信水平下有显著差异”，帮我们把“这两个数看起来有关”变成“相关系数 0.72，p 值 < 0.05”。这套语言，才是数据分析报告里最有说服力的部分。

这篇文章围绕数据分析师最常用的统计学知识，整理了一条从零基础到能独立完成统计分析实战的完整路径。全文分为概念解析、环境准备、Python 代码演示、完整案例、常见坑点、学习建议六个部分，不仅讲清楚描述性统计、概率分布、抽样分布、假设检验、相关与回归这些核心概念，还会给你可直接运行的数据分析代码，适合正在准备数据分析面试、刚进入数据分析岗位、或者想系统补足统计短板的朋友。

1. 为什么数据分析师必须学统计学

1.1 数据分析与统计学的真实关系

先明确一点：数据分析≠统计学，但数据分析的底层逻辑大量来自统计学。

日常工作中，我们经常收到这样的需求：

这个月的销售额比上个月涨了 8%，这个增长是可复制的，还是只是随机波动？
上线了新的推荐策略，点击率提升 1.2%，这个提升是策略带来的，还是巧合？
用户平均停留时长下降了，到底哪些因素和它相关？

这些问题靠肉眼对比数字是回答不了的。表面上 8% 和 1.2% 都是明确的数字，但背后有一个关键问题：如果再做一次实验、再取一批样本，这个差值还存在吗？统计学就是用来回答“这个差值到底靠不靠谱”的学科。

所以可以这样理解：数据分析是从业务问题出发、以数据为原料、以结论为产出的一套流程；统计学则是流程里负责“判断结论可靠性”的那一层。没有统计学，分析报告只能描述现象；有了统计学，分析报告才能验证假设、推断总体、量化风险。

1.2 统计学能解决数据分析中的哪些具体问题

在日常数据分析工作中，统计学解决的问题大致可以分成四类：

第一类是描述问题。新用户的平均首单金额是多少？不同城市的订单量分布是集中还是分散？这类问题用描述性统计就能回答，常用的指标是均值、中位数、标准差、四分位数。

第二类是推断问题。从一万个用户里随机抽了 500 个做调研，发现满意度 72%，那全体用户的满意度大概在什么范围内？这个问题需要用抽样分布和置信区间来解决。

第三类是验证问题。A/B 测试里实验组转化率 5.4%，对照组 4.9%，这个 0.5% 的差异是不是显著？需要用假设检验来判断。

第四类是关联问题。用户活跃时长和留存天数之间有没有关系？能不能用活跃时长建立模型去预测留存？需要用相关分析和回归分析。

这四个问题正好对应统计学最基本的知识框架：描述性统计、推断性统计、假设检验、相关与回归。后续所有内容都围绕这个框架展开。

2. 统计分析的整体框架：先建立地图再学细节

2.1 描述性统计与推断性统计的边界

刚接触统计学时，最容易混淆的两个词是“描述”和“推断”。

描述性统计（Descriptive Statistics）做的事情是对已有数据进行概括。比如你手上有 10000 条用户数据，算出一个平均年龄 32.5 岁，这是在描述这批数据本身。它的核心是“不越界”，只描述手头的数据，不做超出这批数据范围的判断。

推断性统计（Inferential Statistics）做的事情是根据样本去推测总体。比如从 10000 条用户数据中抽取 1000 条，算出平均年龄 32.5 岁，然后推断全体 100000 名用户的平均年龄可能在 31.8 到 33.2 岁之间。它的核心是“用样本推断总体”，并且要给出推断的误差范围。

用一个表来区分更直观：

维度	描述性统计	推断性统计
数据范围	样本或总体的已知数据	从样本推测未知总体
常用指标	均值、中位数、标准差、频数	置信区间、显著性、p 值
典型问题	这批用户多大年龄？	全体用户的平均年龄范围？
不确定性	不涉及	必须量化误差和置信水平

数据分析师日常工作中，日报周报里的指标计算属于描述性统计；A/B 测试、用户调研、抽样分析则属于推断性统计。两者不是替代关系，而是递进关系：先描述，再推断。

2.2 总体、样本、参数的精确含义

推断性统计里有三个词必须彻底搞清楚：总体（Population）、样本（Sample）、参数（Parameter）。

总体是所有研究对象构成的集合。比如研究某 APP 的全部注册用户，那么“全部注册用户”就是总体。总体可以是有限的，也可以是概念上无限的，比如“所有可能点击这个按钮的用户”。

样本是从总体中抽取的一部分个体。为什么不用总体而用样本？因为很多时候总体太大，无法全部获取。比如要了解用户满意度，不可能给每个用户都发问卷；要测试产品质量，不可能把每件产品都拆开检测。

参数是描述总体特征的数值，比如总体平均值 μ、总体标准差 σ。统计量是描述样本特征的数值，比如样本平均值 x̄、样本标准差 s。数据分析师能直接算出来的是统计量，但业务方真正关心的是参数。统计学要解决的问题就是：如何用统计量去估计参数，并且让这个估计可靠。

2.3 变量类型：数据分析师的第一道分水岭

很多人在选择统计方法时卡住，根本原因不是不会算，而是没搞清楚变量类型。变量的类型决定了用什么图表、什么指标、什么检验方法。

分类变量（Categorical Variable）描述的是类别属性，比如性别、城市、支付方式。它又可以分为无序分类（男/女、红/绿）和有序分类（低/中/高、满意/一般/不满意）。分类变量适合用频数、占比、众数来描述，适合用条形图展示。

数值变量（Numerical Variable）描述的是数量特征，比如年龄、收入、时长、金额。它又可以分为连续型（身高、金额，理论上可以取任意小数）和离散型（订单数、人数，只能取整数）。数值变量适合用均值、中位数、标准差来描述，适合用直方图、箱线图展示。

用错方法的典型例子是：把“用户满意度评分（1-5分）”当成连续数值变量，直接算平均值并做 t 检验。满意度评分本质上是有序分类变量，更合适的做法是看各分数段的占比，或者使用非参数检验。这一点在面试中经常被追问。

3. 环境准备与数据集说明

3.1 工具版本与安装说明

本文的代码示例使用 Python 完成，主要依赖以下库：

pandas：负责数据读取、清洗、分组聚合
numpy：负责数学计算
scipy：负责统计检验（t 检验、正态性检验等）
statsmodels：负责描述性统计、回归分析
matplotlib 和 seaborn：负责可视化

安装命令如下：

pip install pandas numpy scipy statsmodels matplotlib seaborn

如果你的电脑上同时存在 Python 2 和 Python 3，建议使用虚拟环境：

python -m venv stats_env source stats_env/bin/activate # Windows 下为 stats_env\Scripts\activate pip install pandas numpy scipy statsmodels matplotlib seaborn

版本方面，本文以常见稳定版本为例，pandas 2.x、numpy 1.26+、scipy 1.11+、statsmodels 0.14+ 均可运行示例代码。如果你使用的是旧版本，个别 API 可能略有差异，建议优先升级到较新版本。

3.2 演示数据集说明

为了让内容贴近真实业务，本文构造了一套模拟电商订单数据。数据集包含 1000 条订单记录，字段有：

user_id：用户编号
age：用户年龄
gender：性别（Male/Female）
city：城市等级（一线/二线/三线）
order_amount：订单金额（元）
order_count：历史累计订单数
is_new_user：是否新用户（1 表示新用户，0 表示老用户）

这是一份典型的业务明细数据，后续所有统计演示都围绕这份数据展开。生成数据的完整代码会放在实战部分，方便你直接复制运行。

4. 描述性统计：数据分析报告的起点

4.1 集中趋势：均值、中位数、众数

描述性统计的第一步是回答“数据大概在什么位置”。衡量集中趋势最常用的三个指标是均值、中位数、众数。

均值（Mean）是所有数据相加后除以个数。它对极端值非常敏感。比如一个订单金额为 100 万元的异常订单，会把整体均值拉得很高，导致均值不能代表大多数订单的水平。

中位数（Median）是把数据从小到大排序后位于中间位置的值。它不受极端值影响，因此在收入、金额这类容易存在长尾分布的数据中，中位数往往比均值更有参考价值。

众数（Mode）是出现次数最多的值。对于分类变量，众数是唯一可用的集中趋势指标。比如“这个星期销量最好的商品品类是什么”，只能用众数来回答。

在 Python 中计算这三个指标非常简单：

import pandas as pd # 假设 df 是已经加载的数据框 # df = pd.read_csv('ecommerce_orders.csv') mean_amount = df['order_amount'].mean() median_amount = df['order_amount'].median() mode_amount = df['order_amount'].mode()[0] # mode 可能返回多个值，取第一个 print(f"订单金额均值: {mean_amount:.2f} 元") print(f"订单金额中位数: {median_amount:.2f} 元") print(f"订单金额众数: {mode_amount:.2f} 元")

输出示例：

订单金额均值: 326.45 元 订单金额中位数: 198.00 元 订单金额众数: 89.90 元

如果发现均值远大于中位数，通常说明数据存在右偏分布，即少量高额订单拉高了均值。这种情况下写分析报告时，应该同时汇报均值和中位数，并解释差异产生的原因。

4.2 离散程度：标准差、方差、四分位数

只看集中趋势是不够的。两组数据的均值可能完全相同，但一组数据非常集中，另一组数据非常分散，它们的业务含义完全不同。

方差（Variance）和标准差（Standard Deviation）衡量的是数据偏离均值的平均程度。标准差越小，说明数据越稳定；标准差越大，说明数据波动越大。在金融风控场景中，标准差直接用来衡量资产收益的波动风险；在运营分析中，标准差可以用来判断各地区销售业绩的稳定性。

四分位数（Quartile）把排序后的数据分成四等份，分别记为 Q1（25% 分位）、Q2（50% 分位，即中位数）、Q3（75% 分位）。Q3 与 Q1 的差叫做四分位距（IQR），用来衡量中间 50% 数据的分布范围。箱线图就是基于四分位数绘制的，可以用来识别离群点。

计算代码如下：

import numpy as np std_amount = df['order_amount'].std() var_amount = df['order_amount'].var() q1 = df['order_amount'].quantile(0.25) q2 = df['order_amount'].quantile(0.50) q3 = df['order_amount'].quantile(0.75) iqr = q3 - q1 print(f"标准差: {std_amount:.2f} 元") print(f"方差: {var_amount:.2f}") print(f"Q1: {q1:.2f} 元, Q2: {q2:.2f} 元, Q3: {q3:.2f} 元") print(f"四分位距 IQR: {iqr:.2f} 元")

4.3 分布形状：偏度与峰度

除了位置和离散程度，数据的分布形状也值得关注。偏度（Skewness）描述数据分布的不对称程度。偏度大于 0 表示右偏（长尾在右边），小于 0 表示左偏（长尾在左边）。订单金额通常呈现明显的右偏分布：绝大多数订单金额不高，少量订单金额特别高。

峰度（Kurtosis）描述数据分布尾部的厚重程度。峰度高的数据更容易出现极端值，这在风险控制中非常重要。

用 pandas 可以一次性输出描述性统计的核心指标：

desc = df['order_amount'].describe() print(desc)

输出示例：

count 1000.000000 mean 326.450000 std 245.123456 min 19.900000 25% 156.500000 50% 198.000000 75% 412.750000 max 1899.000000

这里的 count、mean、std、min、25%、50%、75%、max 正好对应数据分析报告中最常用的一套描述性统计量。

5. 概率分布：统计学的地基

5.1 为什么要理解概率分布

描述性统计只能描述已有的数据，而推断性统计需要回答“如果再来一批数据，结果会怎样”。要回答这类问题，就必须理解数据背后的概率分布。

概率分布描述的是随机变量取不同值的概率规律。不同场景下的数据往往服从不同的分布。比如订单金额可能服从右偏的对数正态分布，用户一天内的访问次数可能服从泊松分布，身高等自然测量数据可能服从正态分布。

对数据分析师来说，最重要的分布有两个：正态分布和二项分布。正态分布是很多统计检验方法的前提条件，二项分布则直接对应转化率、点击率这类“成功/失败”型指标。

5.2 正态分布与 3σ 原则

正态分布的概率密度函数呈钟形曲线，由两个参数决定：均值 μ 和标准差 σ。均值决定了曲线的中心位置，标准差决定了曲线的胖瘦。

正态分布有一个非常实用的性质——3σ 原则：

约 68.3% 的数据落在 μ±σ 范围内
约 95.4% 的数据落在 μ±2σ 范围内
约 99.7% 的数据落在 μ±3σ 范围内

这意味着，如果一项指标服从正态分布，我们可以很清楚地知道极端值出现的概率。比如质量检测中，如果某个产品的指标落在 μ±3σ 之外，就可以认为它异常的概率非常高。

用 Python 验证这个原则：

import numpy as np from scipy import stats # 生成一个标准正态分布样本 np.random.seed(42) data = np.random.normal(loc=50, scale=10, size=10000) # 计算落在不同区间的比例 within_1sigma = np.mean((data >= 40) & (data <= 60)) within_2sigma = np.mean((data >= 30) & (data <= 70)) within_3sigma = np.mean((data >= 20) & (data <= 80)) print(f"落在 μ±σ 内的比例: {within_1sigma:.4f}") print(f"落在 μ±2σ 内的比例: {within_2sigma:.4f}") print(f"落在 μ±3σ 内的比例: {within_3sigma:.4f}")

输出结果会非常接近 0.683、0.954、0.997。

5.3 中心极限定理：为什么它如此重要

中心极限定理（Central Limit Theorem）是推断性统计的基石。它的核心结论是：无论总体服从什么分布，只要样本量足够大（通常认为 n≥30），样本均值的抽样分布就会近似服从正态分布。

这个定理的现实意义非常巨大。我们不需要知道总体是什么分布，只要样本量够大，就可以用正态分布来近似样本均值的分布，进而计算置信区间和做假设检验。

举个例子：假设全体用户的平均年龄未知，但我们随机抽取了 200 个用户，算出样本均值 x̄ = 33.2 岁，样本标准差 s = 8.5 岁。根据中心极限定理，我们可以认为这 200 个用户的样本均值来自一个近似正态的抽样分布，然后基于这个分布去推断总体均值的置信区间。

这正是为什么统计推断在很多场景下“不需要总体分布假设”也能成立的原因。

6. 推断性统计：从样本估计总体

6.1 抽样分布与标准误

当我们反复从总体中抽取多个样本并计算各自的均值时，这些均值本身会形成一个分布，这个分布就叫抽样分布（Sampling Distribution）。抽样分布的标准差叫做标准误（Standard Error）。

标准误的计算公式为：

标准误 = 总体标准差 / sqrt(样本量)

在实际分析中，总体标准差通常未知，我们就用样本标准差 s 来代替：

import numpy as np sample = df['order_amount'].sample(n=200, random_state=42) sample_std = sample.std() sample_size = len(sample) se = sample_std / np.sqrt(sample_size) print(f"样本标准差: {sample_std:.2f} 元") print(f"样本量: {sample_size}") print(f"标准误: {se:.2f} 元")

标准误越小，说明样本均值对总体均值的估计越精确。从公式可以看出，增大样本量可以减小标准误，这就是为什么大样本统计推断通常更可靠。

6.2 置信区间：给出一个范围而不是一个点

数据分析师向业务方汇报时，如果说“用户平均满意度是 72 分”，这是一个点估计，但没有给出任何可靠性信息。更专业的说法是：“用户平均满意度的 95% 置信区间是 [70.5, 73.5] 分”，意思是如果我们重复抽样很多次，每次计算一个置信区间，大约有 95% 的区间会包含真实的总体均值。

用 scipy 计算订单金额均值的 95% 置信区间：

from scipy import stats # 抽取样本 sample = df['order_amount'].sample(n=200, random_state=42) # 计算置信区间 confidence_level = 0.95 degrees_freedom = len(sample) - 1 sample_mean = sample.mean() sample_std = sample.std() se = sample_std / np.sqrt(len(sample)) # t 分布的临界值 t_critical = stats.t.ppf((1 + confidence_level) / 2, df=degrees_freedom) margin_of_error = t_critical * se ci_lower = sample_mean - margin_of_error ci_upper = sample_mean + margin_of_error print(f"样本均值: {sample_mean:.2f} 元") print(f"95% 置信区间: [{ci_lower:.2f}, {ci_upper:.2f}] 元")

如果业务方只需要一个大概范围，也可以用 statsmodels 提供的更简洁的接口：

import statsmodels.api as sm # 一行代码输出描述性统计和置信区间 sm.stats.DescrStatsW(sample).tconfint_mean()

6.3 置信区间与业务决策

置信区间的宽度直接影响业务决策。区间越窄，说明我们对总体均值的估计越精确；区间越宽，说明不确定性越大。

影响置信区间宽度的因素有三个：置信水平、样本量、数据离散程度。置信水平越高（比如从 95% 提高到 99%），区间越宽；样本量越大，区间越窄；数据标准差越大，区间越宽。

实际工作中，如果发现置信区间宽到完全没有业务参考价值，优先考虑增加样本量，而不是降低置信水平。降低置信水平虽然缩小了区间，但也意味着出错的风险更高。

7. 假设检验：数据决策的核心工具

7.1 假设检验的基本逻辑

假设检验是数据分析师最常使用的推断工具，尤其是在 A/B 测试和实验评估场景中。它的基本思想可以概括为：先假设一个默认状态，然后用数据来判断这个假设是否合理。

以 A/B 测试为例：

原假设 H0：新策略的转化率与旧策略没有差异（或者差异为 0）
备择假设 H1：新策略的转化率与旧策略有显著差异

假设检验并不会证明 H0 或 H1 哪个绝对正确，而是计算：在 H0 成立的前提下，观察到当前数据或更极端数据的概率有多大。这个概率就是 p 值。

如果 p 值很小（通常小于 0.05），说明在 H0 成立的前提下，当前数据出现的可能性非常低，于是我们拒绝 H0，认为差异是显著的。如果 p 值较大，说明数据与 H0 并不矛盾，我们无法拒绝 H0。

7.2 t 检验：最常用的均值比较方法

t 检验用于比较两组数据的均值是否有显著差异。根据应用场景，t 检验分为三类：

单样本 t 检验：检验一个样本的均值是否等于某个已知值
独立样本 t 检验：检验两个独立样本的均值是否有差异（比如实验组和对照组）
配对样本 t 检验：检验同一组对象在两个时间点的均值是否有差异

下面用模拟数据演示独立样本 t 检验。场景是：比较新用户和老用户的平均订单金额是否有显著差异。

from scipy import stats # 按是否新用户分组 new_users = df[df['is_new_user'] == 1]['order_amount'] old_users = df[df['is_new_user'] == 0]['order_amount'] # 独立样本 t 检验 t_stat, p_value = stats.ttest_ind(new_users, old_users, equal_var=False) print(f"新用户平均订单金额: {new_users.mean():.2f} 元") print(f"老用户平均订单金额: {old_users.mean():.2f} 元") print(f"t 统计量: {t_stat:.4f}") print(f"p 值: {p_value:.6f}")

判断标准是看 p 值是否小于显著性水平 α（通常取 0.05）。如果 p < 0.05，则拒绝原假设，认为新老用户的订单金额存在显著差异；如果 p ≥ 0.05，则没有足够证据证明存在差异。

注意，t 检验的前提条件包括：数据近似正态分布、两组方差大致相等（如果使用 Welch 修正则不需要这个前提）。上述代码中equal_var=False使用了 Welch's t-test，它对方差不齐的情况更稳健，推荐在实际分析中使用。

7.3 p 值不是万能的：常见误读

p 值是假设检验中最常被误解的概念。这里必须澄清几个关键点：

第一，p 值不是“原假设为真的概率”。p 值是在原假设成立的前提下，观察到当前或更极端数据的概率，它是一个条件概率，而不是对原假设本身真假的概率描述。

第二，p 值不是“差异的大小”。p < 0.001 并不代表差异比 p < 0.05 更大，只代表在给定的样本量下，证据更充分。差异的实际大小需要用效应量（Effect Size）来衡量。

第三，p > 0.05 不代表“没有差异”，只代表“没有足够证据证明存在差异”。这可能是因为差异确实不存在，也可能是因为样本量不够大、检验功效不足。

数据分析师在写报告时，应该同时报告 p 值和效应量，并且结合业务实际判断差异是否有意义。一个 p 值非常小但差异只有 0.1% 的结论，在业务上可能毫无价值。

7.4 两类错误与统计功效

假设检验存在两类错误：

第一类错误（Type I Error）：原假设为真时，我们错误地拒绝了它。犯第一类错误的概率就是显著性水平 α，通常设为 0.05。
第二类错误（Type II Error）：原假设为假时，我们错误地接受了它。犯第二类错误的概率记为 β。

统计功效（Statistical Power）等于 1 - β，表示当原假设确实为假时，检验能正确拒绝原假设的概率。功效受样本量、效应量、显著性水平三个因素影响。

在 A/B 测试中，如果样本量太小，即使策略真的有效，也可能得出“无显著差异”的结论。这就是为什么在实验设计阶段就要做功效分析，确定最小样本量，而不是等实验结束了再为“不显著”的结果找借口。

用 statsmodels 做功效分析：

from statsmodels.stats.power import TTestIndPower # 假设我们要检测 0.2 的效应量（Cohen's d） effect_size = 0.2 alpha = 0.05 power = 0.8 analysis = TTestIndPower() sample_size = analysis.solve_power( effect_size=effect_size, alpha=alpha, power=power, ratio=1.0, alternative='two-sided' ) print(f"所需每组样本量: {np.ceil(sample_size)}")

这个示例告诉我们，要检测一个较小的效应（0.2），并达到 80% 的功效，每组大约需要 393 个样本。

8. 相关分析与回归分析

8.1 相关分析：衡量变量之间的线性关系

“用户活跃时长和留存天数有没有关系？”这类问题用相关分析来回答。最常用的指标是皮尔逊相关系数（Pearson Correlation Coefficient），取值范围是 [-1, 1]。

1 表示完全正相关
-1 表示完全负相关
0 表示没有线性相关关系

计算两列数值变量的相关系数：

# 计算订单金额与历史订单数的相关性 corr, p_value = stats.pearsonr(df['order_amount'], df['order_count']) print(f"皮尔逊相关系数: {corr:.4f}") print(f"p 值: {p_value:.6f}")

注意，相关系数衡量的是线性关系。如果两个变量之间存在明显的非线性关系（比如 U 型关系），皮尔逊相关系数可能接近 0，但这不代表它们没有关系。这种情况下可以画散点图辅助判断。

8.2 回归分析：从相关到预测

相关分析只能告诉我们变量之间是否有关系，回归分析则可以建立具体的函数关系，并用于预测。

一元线性回归的公式为：

y = β0 + β1 * x + ε

其中 β0 是截距，β1 是斜率，ε 是随机误差。

用 statsmodels 建立订单金额与历史订单数之间的一元线性回归模型：

import statsmodels.api as sm # 自变量和因变量 X = df['order_count'] y = df['order_amount'] # 添加常数项（截距） X = sm.add_constant(X) # 拟合模型 model = sm.OLS(y, X).fit() # 输出模型摘要 print(model.summary())

模型摘要中需要重点关注几个值：

R-squared（决定系数）：表示模型解释了因变量多少比例的方差。取值范围 [0, 1]，越接近 1 说明模型拟合效果越好。
coef（系数）：表示自变量每变化一个单位，因变量平均变化多少。
P>|t|（p 值）：表示该系数是否显著不为 0。
F 统计量：表示整个模型是否显著。

8.3 相关不等于因果

这是数据分析领域最重要的一条铁律。两个变量之间存在相关关系，绝不代表一个变量导致了另一个变量。

经典的例子是：冰淇淋销量与溺水人数呈正相关。但这不代表“吃冰淇淋导致溺水”，真实原因是气温这个混杂变量同时影响了两个指标。

在业务分析中，如果发现某个指标与目标指标高度相关，不要急着写“提升该指标可以提升目标”，应该先思考：

是否存在第三个变量同时影响这两个变量？
两个变量之间是否存在反向因果？
这个相关性在不同群体中是否稳定？

要验证因果关系，最可靠的方法是随机对照实验（A/B 测试），而不是观测数据的相关分析。

9. 完整实战案例：电商订单数据的统计分析

9.1 案例背景与目标

某电商平台运营团队希望了解用户特征与消费行为之间的关系，为后续精细化运营提供依据。分析目标有三个：

描述用户订单金额的整体分布情况
比较新老用户的订单金额是否存在显著差异
探索订单金额与用户年龄、历史订单数之间的关系

9.2 数据模拟与加载

import numpy as np import pandas as pd from scipy import stats import statsmodels.api as sm import matplotlib.pyplot as plt import seaborn as sns # 设置随机种子，保证结果可重复 np.random.seed(42) n = 1000 # 模拟用户特征 user_id = np.arange(1, n + 1) age = np.random.normal(loc=32, scale=8, size=n).astype(int) age = np.clip(age, 18, 60) gender = np.random.choice(['Male', 'Female'], size=n, p=[0.48, 0.52]) city_level = np.random.choice(['一线', '二线', '三线'], size=n, p=[0.3, 0.4, 0.3]) is_new_user = np.random.choice([1, 0], size=n, p=[0.35, 0.65]) # 模拟订单金额：老用户金额略高，年龄与金额有一定正向关系 base_amount = 200 + 3 * (age - 30) + 30 * (1 - is_new_user) order_amount = np.random.normal(loc=base_amount, scale=60, size=n) order_amount = np.round(np.clip(order_amount, 20, 2000), 2) # 模拟历史订单数：与是否为老用户相关 order_count = np.random.poisson(lam=5 + 8 * (1 - is_new_user), size=n).astype(int) # 构建 DataFrame df = pd.DataFrame({ 'user_id': user_id, 'age': age, 'gender': gender, 'city_level': city_level, 'order_amount': order_amount, 'order_count': order_count, 'is_new_user': is_new_user }) print(df.head()) print(df.info())

9.3 描述性统计与可视化

# 描述性统计 print(df['order_amount'].describe()) # 绘制订单金额分布直方图 plt.figure(figsize=(10, 5)) sns.histplot(df['order_amount'], bins=40, kde=True) plt.title('订单金额分布') plt.xlabel('订单金额（元）') plt.ylabel('频数') plt.show() # 绘制新老用户订单金额箱线图 plt.figure(figsize=(8, 5)) sns.boxplot(data=df, x='is_new_user', y='order_amount') plt.title('新老用户订单金额对比') plt.xticks([0, 1], ['老用户', '新用户']) plt.show()

从直方图可以看出订单金额呈现右偏分布，大部分订单集中在 200-400 元之间，少数订单金额较高。箱线图可以直观看出新老用户的分布差异。

9.4 推断性统计：独立样本 t 检验

# 分组 new_amount = df[df['is_new_user'] == 1]['order_amount'] old_amount = df[df['is_new_user'] == 0]['order_amount'] # 独立样本 t 检验 t_stat, p_value = stats.ttest_ind(new_amount, old_amount, equal_var=False) print(f"新用户样本量: {len(new_amount)}, 平均订单金额: {new_amount.mean():.2f} 元") print(f"老用户样本量: {len(old_amount)}, 平均订单金额: {old_amount.mean():.2f} 元") print(f"t 统计量: {t_stat:.4f}") print(f"p 值: {p_value:.6f}") if p_value < 0.05: print("结论：新老用户的平均订单金额存在显著差异") else: print("结论：没有足够证据证明新老用户的平均订单金额存在差异")

9.5 相关分析与回归建模

# 相关分析 corr_amount_age, p_age = stats.pearsonr(df['order_amount'], df['age']) corr_amount_count, p_count = stats.pearsonr(df['order_amount'], df['order_count']) print(f"订单金额与年龄的相关系数: {corr_amount_age:.4f}, p 值: {p_age:.6f}") print(f"订单金额与历史订单数的相关系数: {corr_amount_count:.4f}, p 值: {p_count:.6f}") # 回归分析 X = df[['age', 'order_count', 'is_new_user']] X = sm.add_constant(X) y = df['order_amount'] model = sm.OLS(y, X).fit() print(model.summary())

9.6 结果解读与业务建议

回到最初的三个问题：

第一，从描述性统计看，订单金额均值约为 320 元，中位数约为 280 元，均值略高于中位数，说明存在少量高额订单拉高均值。业务上可以关注高价值用户群体，但日常运营指标建议同时关注中位数。

第二，t 检验结果显示新老用户订单金额存在显著差异，老用户平均订单金额明显高于新用户。这符合业务常识，但也提示运营团队需要重点关注新用户的首次转化和复购提升。

第三，回归模型显示年龄和历史订单数对订单金额有显著影响，模型 R-squared 约为 0.35，说明还有大量变量未纳入模型。后续可以增加商品品类、促销活动、用户浏览行为等特征。

10. 常见问题与排查思路

10.1 统计方法选择困难

分析目标	变量类型	推荐方法
描述一组数据的集中趋势	数值变量	均值、中位数
比较两组数值变量的均值	两组独立样本	独立样本 t 检验
比较两组数值变量的均值	两组配对样本	配对样本 t 检验
比较三组及以上数值变量的均值	多组独立样本	方差分析（ANOVA）
检验两个分类变量的独立性	两个分类变量	卡方检验
分析两个数值变量的线性关系	两个数值变量	皮尔逊相关分析
预测一个数值变量	多个自变量	多元线性回归

10.2 统计检验不显著的排查路径

如果 A/B 测试结果不显著，不要急着下结论，按以下顺序排查：

第一，检查样本量是否足够。使用功效分析计算所需最小样本量，如果实际样本量远小于最低要求，实验可能因为功效不足而无法检测出真实差异。

第二，检查指标波动是否过大。如果标准差很大，均值差异很容易被噪声淹没。可以尝试对指标做平滑处理，或者增加实验观察期。

第三，检查是否存在幸存者偏差。比如只分析了完成购买的用户，而忽略了未购买的用户，导致结论失真。

第四，检查分组是否真的随机。如果实验组和对照组的用户特征分布差异很大，说明随机分组可能失败，需要使用分层抽样或协变量校正。

10.3 数据不服从正态分布怎么办

t 检验和回归分析都依赖一定的正态性假设，但实际业务数据往往偏态严重。遇到这种情况有几种处理方式：

如果样本量较大（n>30），根据中心极限定理，样本均值的抽样分布近似正态，t 检验仍然可以使用。
对数据进行变换，比如对数变换、Box-Cox 变换，把右偏数据拉近正态分布。
使用非参数检验方法，比如 Mann-Whitney U 检验（对应独立样本 t 检验的非参数版本）、Wilcoxon 符号秩检验（对应配对样本 t 检验的非参数版本）。

用 Python 实现 Mann-Whitney U 检验：

from scipy import stats # 非参数版本的均值比较 u_stat, p_value = stats.mannwhitneyu(new_amount, old_amount, alternative='two-sided') print(f"U 统计量: {u_stat:.4f}") print(f"p 值: {p_value:.6f}")