统计数据分析报告案例 第1篇
ABTest类似于以前的对比实验，是让组成成分相同（相似）的群组在同一时间维度下去随机的使用一个方案（方案A、或者B、C…），收集各组用户体验数据和业务数据，最后分析出哪个方案最好。
要想充分搞懂ABTest，必须理解它的原理——假设检验。在一个设计适当的 ABTest中，处理 A 和处理 B 之间任何可观测到的差异，必定是由下面两个因素之一所导致的。
这里需要介绍一下几个专业术语：
接下来介绍假设检验的基本步骤：
如何选定统计方法？那就得判断你的样本统计量符合什么分布了。
上图就是判断一个样本统计量符合什么分布的流程图，非常nice！
下面呢，则是关于Z分布，T分布，卡方分布的简单了解，其中注意考虑多个总体问题时如何计算处理。
接下来再看一下这几种分布的概率密度分布图。
可以看出，T分布与标准正态分布（Z分布）都是以0为对称的分布，T分布的方差大所以分布形态更扁平些。
双侧检验：
单侧检验：
卡方分布：
拒绝域：
（卡方分布在左侧的拒绝域特别小，所以拒绝的区间的值也比较少），所以卡方检验的拒绝域一般 放在右侧。F分布同理。
统计数据分析报告案例 第2篇
数据介绍： 从支付宝的两个营销活动中收集的真实数据集。该数据集包含支付宝中的两个商业定位活动日志。由于隐私问题，数据被采样和脱敏。虽然该数据集的统计结果与支付宝的实际规模有偏差，但不影响解决方案的适用性。
主要提供了三个数据集：
查看数据统计情况，主要是看dmp_id。
接下来查看数据重复情况。
存在重复项，需要进行去重。
从先前操作已知数据类型正常，接下来利用透视表来看各属性是否存在不合理情况。
从以上看出属性字段无异常取值，无需进行处理。
在进行ABTest前，需检查样本容量是否满足试验所需最小值。
这里需要借助样本量计算工具：
可得411107和316205远大于2167，满足最小样本量需求。
统计数据分析报告案例 第3篇
本文对diamonds数据集进行探索性分析，并做数据可视化处理，探索钻石的价格、重量分布，及钻石价格与重量、形状、切割状态、颜色、透明度之间的关系。接下来，进行非参数检验，探究不同切割类型、颜色和透明度的钻石，价格是否具有显著性差异。最后，利用钻石的各项属性，建立多元线性模型，对钻石的价格进行预测。
由探索性分析可知，
在钻石的重量分布上， 0 − 0−0.5克拉的钻石最多，超过 1.5克拉以上的钻石逐渐变少。
在钻石透明度上，I1（最差） ，SI2，SI1，VS2，VS1，VS2，VS1，IF （最好）。观察其统计数据，发现钻石透明度一般的占比最高，钻石透明度最差和最好的比例都比较低。
理想切割及优质切割的钻石占比超过一半以上。联系现实原因而言，因为钻石为奢侈品，切割水平高可以使钻石达到更好的视觉效果。所以理想切割及优质切割的钻石占比较高。
钻石总深度百分比及顶部相对于最宽点的宽度均符合正态分布。
本文建立了预测钻石价格的多元线性模型，响应变量为price，预测变量为数据集中除price之外其他变量，模型均方误差为 0.2606446（价格已取对数）。下一步可考虑使用交叉验证对模型参数进行调整，取最优方案对钻石价格进行预测。