作者

二胖并不胖

来源

大数据前言

已获原作者授权，如需转载，请联系原作者。

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

1

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。

2

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。

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

3

性别分布

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。

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。

1

男性

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）：

2

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：

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。

对此，你怎么看呢？

（——本文的数据分析和数据可视化全部由ElasticSearch完成。）