什么是缩尾处理（Winsorization）？不删数据也能压住极端值

什么是缩尾处理？

缩尾处理（Winsorization）是压住极端值，而不是删掉它们。选一个百分位，比如第 99 百分位，把所有比它大的值都替换成第 99 百分位上的那个值。每一行数据都还在，只是极端值不再主导平均数。这个名字来自生物统计学家 Charles Winsor。

x_w = min(max(x, P_low), P_high)

大多数业务指标只在一侧有长尾（收入、会话时长、每单件数），所以通常只处理上端。

计算示例：客单价

十笔订单（示例数字）：$22、$30、$35、$40、$45、$47、$55、$60、$80、$921。

一笔批量订单让原始平均值接近中位数的三倍。把它压到第 9 个值（$80）后，平均值能代表一笔典型订单，而这笔大单仍然被当作一笔大单计入。（只有十个值时第 90 百分位很粗糙；真实数据里，应该在上千笔订单上用第 99 百分位。）

缩尾、截尾和对数变换

怎么选上限

• 收入和时长先用第 99 百分位；样本小或长尾极端时用第 95 百分位。
• 在合并后的数据上算上限，不要每个对比组各算一个，否则各组被压的程度不同。
• 看结果之前就定好。 挑一个能得出你想要答案的上限，属于 p 值操纵。
• 写清楚。「每用户收入，第 99 百分位缩尾」让读者知道看的是什么。

什么时候不该缩尾

• 极端值真实而且重要时：企业大单、游戏里的大 R 玩家、欺诈。
• 报告实际总数时（给财务的收入不能缩尾）。
• 极端值是埋点错误时。一笔本该是 $921 却记成 $92,100 的订单是数据质量问题，要在源头修好。

在 TapCub 里找百分位

对数值属性（比如订单金额）做分布分析，会显示每个分桶的数量和占比，以及均值和中位数；自动分桶的上限是第 99 百分位，更大的值都落在最后一个桶里。这个桶告诉你按 P99 缩尾会影响多少个值。会话时长、每次会话页数也能直接在分布分析里看。要算缩尾后的均值，导出原始数据，在表格或 notebook 里处理。另见百分位数，以及另一种降低方差的方法 CUPED。

相关阅读

• 数据中的异常值：怎么找出来、怎么处理