你对外宣称的身高,跟实际情况差了几公分?
二胖大数据前沿
2018.10.12
数据侠
相亲网站真的是虚报“重灾区”……

前些天在知乎上看到一个关于身高的问题。我想既然大家都对身高这么感兴趣,正好之前我在相亲网上爬了50万用户的信息,那不妨来做个统计。关于身高,看看我们能挖出哪些好玩的信息吧。

 

数据说明

数据来源

本次的统计数据来自某相亲网站,信息都是用户自己填写的。

正常情况下大家报身高都是往高虚报,极少人往矮报吧?所以,本次统计的身高结果应该会比真实情况更高一些,当然,这只是我二胖的个人揣测啦。

样本用户生活在北京、上海、广州和重庆四个城市,选择这四座城市的原因:

一是因为四座城市在祖国的不同方位,收集样本范 围够广;

二是因为这四座城市都是大城市,外来人口较多,汇集了全国各地的人,能在一定程度上体现总体趋势。

年龄分布

这里我先对统计用户的年龄进行了可视化,x轴是年龄,y轴是人数,波峰是27岁。

(图片说明:统计用户的年龄分布)

除此之外我还分别统计了男性和女性的年龄分布,女性年龄的波峰出现在27岁,男性年龄的波峰出现在29岁。

总体平均年龄:32.332岁

男性平均年龄:33.239岁

女性平均年龄:31.929岁

性别分布

(图片说明:本次统计用户的性别分布情况)

本次统计的用户中女性占了大多数。

其实是我爬数据的时候先抓取了女性数据,在女性数据抓取完成后才抓取的男性数据,而当我看数据库样本数据到50万的时候就把爬虫停了。

 

正态分布

在看统计结果之前,我们先提一下“正态分布”。

正态分布(Normal distribution),也称“常态分布”,又名高斯分布(Gaussian distribution)。

正态分布是一种概率分布。它是具有两个参数μ和σ的连续型随机变量的一种分布。

这里我们就不过多地介绍正态分布啦,我们只需知道,身高在样本数量足够大的时候应该服从正态分布(当然这是我的一己之见,如果有不同的意见,欢迎指正)。

正态分布的曲线图应该如下图所示(中间高,两边低,两侧大致对称),在这种情况下,数据才具有一定的真实性,否则数据就有一定的作假嫌疑。

(图片说明:正态分布示意图)

当然目测是不准确的,还需要通过方差、期望等来判断。不过当人肉眼都能看出一条曲线不符合正态分布时,那这个数据的真实性就真有待商榷了。

 

数据展示

好啦,讲完正态分布,我们来看看本次统计样本的身高分布图。

男性

(图片说明:统计用户中男性的身高分布情况)

可以看到男性身高的分布情况不那么符合正态分布。

波峰出现在170cm,人数是24515人。

身高人数前五名是:

不知大家发现没有,这些身高都是极其常见的身高。

让二胖来揣测一下,在大多数自报身高的情况下——不足170cm同学的都报170cm,不足175cm的都报175cm。

其实大家办理户口录入身高时就是这样操作的,常见身高就是这几个数字。所以二胖才在开头说,大家的真实身高应该会比统计值稍微低一些。

我们来算一下平均值,再把脏数据去除之后,算出来的所有男性的身高平均值是(单位cm):

女性

女性的身高统计方式和男性一样,二胖就不过多解释了,这里直接展示统计结果:

(图片说明:统计用户中女性的身高分布情况)

女性身高分布图有点狠啊,160cm远远超过了其他身高值。

身高人数前五名是:

女性平均身高(单位cm):

 

结论

看完这个统计结果,二胖对比了一下国家公布的数字,下图是百度百科公布的2015年国家统计的身高数据:

看样子相亲网站上的身高数据比国家的统计高出了约6厘米。

到底是因为相亲网上的用户中年轻人较多而年轻人又长得高,还是大家填写的身高数据水分比较大呢?

还有一种可能就是二胖此次统计的用户是城市居民,而城市居民的平均身高会相对高一些。

你怎么看呢?

本文的数据分析和数据可视化全部由ElasticSearch完成。

注:本文仅为作者观点,不代表DT数据侠立场。

 

数据侠门派

本文数据侠二胖,来自公众号 @大数据前沿。

【版权提示】转载第一财经商业数据中心原创稿件,请于文首标明来源、作者,并保持文章完整性。非第一财经商业数据中心原创稿件,未经许可,任何人不得复制、转载、或以其他方式使用。如需转载或以其他方式使用稿件内容,请联系CBNData客服DD-4(微信ID:CBNDataDD4)

feedback

意见

反馈

contact-us

联系

客服

back-to-up

回到

顶部