https://www.cnblogs.com/gczr/p/6802998.html
在数据分析中如果某个数据服从正态分布的话，我们可以利用正态分布的性质做出很多有意义的分析，例如t-检验。。
一、何为数据的偏态分布？
频数分布有正态分布和偏态分布之分。正态分布是指多数频数集中在中央位置，两端的频数分布大致对称。
偏态分布是指频数分布不对称，集中位置偏向一侧。若集中位置偏向数值小的一侧，称为正偏态分布；集中位置偏向数值大的一侧，称为负偏态分布。
如果频数分布的高峰向左偏移，长尾向右侧延伸称为正偏态分布，也称右偏态分布；同样的，如果频数分布的高峰向右偏移，长尾向左延伸则成为负偏态分布，也称左偏态分布。
峰左移，右偏，正偏
峰右移，左偏，负偏
偏态分布只有满足一定的条件（如样本例数够大等）才可以看做近似正态分布。
与正态分布相对而言，偏态分布有两个特点：
一是左右不对称（即所谓偏态）；
二是当样本增大时，其均数趋向正态分布。
二、构建模型时为什么要尽量将偏态数据转换为正态分布数据？
数据整体服从正态分布，那样本均值和方差则相互独立。正态分布具有很多好的性质，很多模型假设数据服从正态分布。例如线性回归(linear regression)，它假设误差服从正态分布，从而每个样本点出现的概率就可以表示成正态分布的形式，将多个样本点连乘再取对数，就是所有训练集样本出现的条件概率，最大化这个条件概率就是LR要最终求解的问题。这里这个条件概率的最终表达式的形式就是我们熟悉的误差平方和。总之， ML中很多model都假设数据或参数服从正态分布。
三：如何检验样本是否服从正态分布？
可以使用Q-Q图来进行检验，Q-Q图是一个散点图，点(x, y)表示数据x的某个分位数，y表示和x的分位数相同的分位数（即[Math Processing Error]FX(x)=FY(y)），如果说两个分布的QQ图在一条直线上，则说明每个[Math Processing Error][xi,xi+1]，[yi,yi+1]区间所包含的数据在整个数据集中的比例相同，也就是说明如果对x或y进行放缩的话可以让它们。
所以，如果把未知数据和标准正态分布做Q-Q图的话，如果所有点在一条直线上则说明未知数据的分布服从正态分布。
四 ：如果不是正态分布怎么办？
数据右偏的话可以对所有数据取对数、取平方根等，它的原理是因为这样的变换的导数是逐渐减小的，也就是说它的增速逐渐减缓，所以就可以把大的数据向左移，使数据接近正态分布。
如果左偏的话可以取相反数转化为右偏的情况。