谈谈统计学正态分布阈值原理在数据分析工作中的运用
vivo互联网技术 人气:0一、背景
0.0 神说，要有正态分布，于是就有了正态分布。
0.1 神看正态分布是好的，就让随机误差都随了正态分布。
0.2 正态分布的奇妙之处，就是许多看似随机事件竟然服从一个表达式就能表达的分布，如同上帝之手特意为之。
神觉得抛硬币是好的，于是定义每个抛出硬币正面记+1分，反面记-1分。创世纪从0分开始，神只抛1次硬币，有2种可能：一半的概率+1分，一半的概率-1分。此时概率分布大概是这样的：
神决定扔10个硬币，此时概率分布如下：
如果画图来感受，数据分布大概如下：
如果是100个，甚至是无穷多个呢？平均分数分布情况大概是什么样呢？画个图感受一下：
——《创世纪·数理统计·正态分布的前世今生》
开头摘自统计学中非常经典的一本书籍，由此可见正态分布是非常经典和随处可见的，为什么正态分布这么常见呢？因为通常情况下，一个事物的影响因素都是多个，好比每个人的学习成绩，受到多个因素的影响，比如：
- 本人的智商情况。
- 上课听讲的认真程度，课前的预习程度，与老师的互动程度。
- 课后是否及时复习，有没有及时温习知识点呢，有没有做好作业巩固。
每一天的因素，每天的行为，对于学生的成绩不是产生正面因素就是负面因素，这些因素对于成绩的影响不是正面就是负面的，反复累计加持就像上图的抛硬币一样，让成绩最后呈现出正态分布。数据呈现正态分布其实背后是有中心极限定理原理支持，根据中心极限定理，如果事物受到多种因素的影响，不管每个因素单独本身是什么分布，他们加总后结果的平均值就是正态分布。
二、引用
正是因为日常分析工作中数据呈现是正态分布的，处于两个极端的值往往是异常的，与我们挑选异常值天然契合。在业务方寻求一种自动监控方案的过程中，我们选择了该方案。根据数据分析工作中，结合统计学的数据阈值分布原理，通过自动划分数据级别范围，确定异常值，如下图箱线图，箱线图是一个能够通过5个数字来描述数据的分布的标准方式，这5个数字包括：最小值，第一分位，中位数，第三分位数，最大值，箱线图能够明确的展示离群点的信息，同时能够让我们了解数据是否对称，数据如何分组、数据的峰度。
箱线图是一个能够通过5个数字来描述数据的分布的标准方式，这5个数字包括：最小值，第一分位，中位数，第三分位数，最大值，箱线图能够明确的展示离群点的信息，同时能够让我们了解数据是否对称，数据如何分组、数据的峰度，对于某些分布/数据集，会发现除了集中趋势（中位数，均值和众数）的度量之外，还需要更多信息。
（图片来源于网络）
需要有关数据变异性或分散性的信息。箱形图是一张图表，它很好地指示数据中的值如何分布，尽管与直方图或密度图相比，箱线图似乎是原始的，但它们具有占用较少空间的优势，这在比较许多组或数据集之间的分布时非常有用。——适用于大批量的数据波动监控。
（图片来源于网络）
箱线图是一种基于五位数摘要（“最小”，第一四分位数（Q1），中位数，第三四分位数（Q3）和“最大”）显示数据分布的标准化方法。
- 中位数（Q2 / 50th百分位数）：数据集的中间值；
- 第一个四分位数（Q1 / 25百分位数）：最小数（不是“最小值”）和数据集的中位数之间的中间数；
- 第三四分位数（Q3 / 75th Percentile）：数据集的中位数和最大值之间的中间值（不是“最大值”）；
- 四分位间距（IQR）：第25至第75个百分点的距离；
- 晶须（蓝色显示）；
- 离群值（显示为绿色圆圈）；
- “最大”：Q3 + 1.5 * IQR；
- “最低”：Q1 -1.5 * IQR。
（图片来源于网络）
上图是近似正态分布的箱线图与正态分布的概率密度函数（pdf）的比较, 两侧0.35%的数据就能够被视为异常数据。
回到这次的监控方案，由中位数向两边扩散，划分一级二级三级四级五级数据，传入连续时间段内指标的同环比，根据同环比分布的区间确定四个异常类型：异常上涨（同环比分布同时大于等于正三级）、异常（同环比分布在一正一负大于等于三级的范围）、异常下降（同环比分布低于等于负三级）、无异常（同环比分布低于三级的范围）。
三、落地
实现三部曲
1. 代码实现
/*
*数据分析API服务
*/
public class DataAnalysis{
/*
*波动分析
*input：json，分析源数据（样例）
{
"org_data": [
{ "date":"2020-02-01", "data":"10123230" }, 日期类型、long类型
{ "date":"2020-02-02", "data":"9752755" },
{ "date":"2020-02-03", "data":"12123230" },
.......
]
}
*output：json，分析结果
{
"type": 1, --调用正常返回1，异常返回0
"message"：""， --异常原因
"date": 2020-02-14，--输入数据中按日期升序排列的最后一组的日期
"data": 6346231，--输入数据中按日期升序排列的最后一组的数据值
"rate1": -0.3，--同比值
"rate2": -0.6，--环比值
"level1": 4，--同比等级，5个类型：1、2、3、4、5
"level2": 3，--环比等级，5个类型：1、2、3、4、5
"result":"异常下降"，--四个类型：异常上涨、异常、异常下降、无异常
}
*/
public String fluctuationAnalysis (String org_data){
//第一步，校验输入数据
if（checkOrgdata(org_data)） return {"result": 0, "message"：""}
//第二步，计算同环比
computeOrgdata(org_data)
//第三步，数据升序排序，获取数组大小、最后数据中按日期升序排列的最后一组
//以上面样例为了，数组大小14，最后一组数据{ "date":"2020-02-14", "data":"6346231" ，同比：-0.3，环比：-0.6}
对同比、环比、（data暂不做）分别做如下处理
-------
//第四步，按照数据升序排序及数据大小，将数据（不算上面找出的最后一组数据）平均分为4等份（这样会在数组中插入三个桩），并计算出第一个桩和第三个桩的值，以上面为例子，原来数组大小14，去掉最后一个，13个
//判断，给结论
（1） 如果同比等级> 2 and 环比等级 > 2 （表示一定有异常）
/*
*数据分析API服务
*/
public class DataAnalysis{
/*
*波动分析
*input：json，分析源数据（样例）
{
"org_data": [
{ "date":"2020-02-01", "data":"10123230" }, 日期类型、long类型
{ "date":"2020-02-02", "data":"9752755" },
{ "date":"2020-02-03", "data":"12123230" },
.......
]
}
*output：json，分析结果
{
"type": 1, --调用正常返回1，异常返回0
"message"：""， --异常原因
"date": 2020-02-14，--输入数据中按日期升序排列的最后一组的日期
"data": 6346231，--输入数据中按日期升序排列的最后一组的数据值
"rate1": -0.3，--同比值
"rate2": -0.6，--环比值
"level1": 4，--同比等级，5个类型：1、2、3、4、5
"level2": 3，--环比等级，5个类型：1、2、3、4、5
"result":"异常下降"，--四个类型：异常上涨、异常、异常下降、无异常
}
*/
public String fluctuationAnalysis (String org_data){
//第一步，校验输入数据
if（checkOrgdata(org_data)） return {"result": 0, "message"：""}
//第二步，计算同环比
computeOrgdata(org_data)
//第三步，数据升序排序，获取数组大小、最后数据中按日期升序排列的最后一组
//以上面样例为了，数组大小14，最后一组数据{ "date":"2020-02-14", "data":"6346231" ，同比：-0.3，环比：-0.6}
对同比、环比、（data暂不做）分别做如下处理
------- //第四步，按照数据升序排序及数据大小，将数据（不算上面找出的最后一组数据）平均分为4等份（这样会在数组中插入三个桩），并计算出第一个桩和第三个桩的值，以上面为例子，原来数组大小14，去掉最后一个，13个
//判断，给结论
（1） 如果同比等级> 2 and 环比等级 > 2 （表示一定有异常）
And
case when 同比值<0 and 环比值<0 then '异常下降'
when 同比值>0 and 环比值>0 then '异常上涨'
else '异常'
end as res
return
public bool checkOrgdata (String org_data){
//检验数组中日期是否全部连续，数量至少要14天数据
…
if(日期不连续 || 数量小于14)
return false;
return ture;
}
public String computeOrgdata (String org_data){
// 计算输入数据中，每一行的同环比
同比=(今日data/上周同日data-1)*100%
return
{
"org_data": [
{ "date":"2020-02-01", "data":"10123230" ，同比：null，环比：null },
{ "date":"2020-02-02", "data":"9752755" ，同比：null，环比：0.9},
{ "date":"2020-02-03", "data":"12123230" ，同比：null，环比：0.9},
.......
]
}
}
对于输入数据的几个关键点：
（1）要求是连续的日期，并且至少14天的数据，建议100天的数据
（2）api中当同环比计算为null时，统一处理为0
（3）当传入的数量大于90天，取最近90天作为样本，当数量小于90天，拿所有上传作为样本
2. API封装
（1）提供已封装好的API服务为大家使用：
API使用：
传入数据示例（json）
{
"org_data": [
{ "date":"2020-02-01", "data":"10123230" ，同比：null，环比：null },
{ "date":"2020-02-02", "data":"9752755" ，同比：null，环比：0.9},
{ "date":"2020-02-03", "data":"12123230" ，同比：null，环比：0.9},
.....
]
}
返回结果解释：
{
"type": 1, --调用正常返回1，异常返回0
"message"：""， --异常原因
"date": 2020-02-14，--输入数据中按日期升序排列的最后一组的日期
"data": 6346231，--输入数据中按日期升序排列的最后一组的数据值
"rate1": -0.3，--同比值
"rate2": -0.6，--环比值
"level1": 4，--同比等级，5个类型：1、2、3、4、5
"level2": 3，--环比等级，5个类型：1、2、3、4、5
"result":"异常下降"，--四个类型：异常上涨、异常、异常下降、无异常
}
注意问题点：
对于输入数据的几个关键点：
（1）要求是连续的日期，并且至少14天的数据，建议100天的数据
（2）api中当同环比计算为null时，统一处理为0
（3）当传入的数量大于90天，取最近90天作为样本，当数量小于90天，拿所有上传作为样本
3. JAR 包提供
大数据中心日常数据开发工作以HQL为主，我们将API服务封装成JAR包，可直接适用于数仓开发使用。
四、运用场景
目前成功运用于大数据中心多个重点业务和平台，对其日常指标进行监控，以应用商店为例。
1、获取da表数据到 da_appstore_core_data_di
2、监控数据统一处理 da_appstore_core_data_result_di
3、每条记录调用上述UDF函数，输出判定结果，异常值可对业务发送提醒，帮助排除业务风险
参考文献
- 《创世纪·数理统计·正态分布的前世今生》
- 知乎朋友-小尧、jinzhao 关于正态分布阈值原理的部分阐述
作者：vivo 互联网大数据团队
加载全部内容