不满足正态分布的数据该如何处理
我们在做差异性分析时，常用的t检验、方差分析都要求样本服从正态分布，但如果数据本来就不应该是正态的，例如房价、收入，满意度打分等，亦或者其它情况，如果没有满足前提条件就强行进行参数检验，分析结果会变得不科学严谨，分析结论会受到置疑。
所以不满足正态分布时应该如何处理呢？接下来会逐步说明并介绍常见的非参数检验。
根据数据是否符合正态分布，分为:参数检验对参数平均值、方差进行的统计检验。先由测得的样本数据计算检验统计量，若计算的统计量值落入约定显著性水平a 时的拒绝域内，说明被检参数之间在所约定的显著性水平a 下在统计上有显著性差异
分为平均值、单样本t检验、独立样本t检验、配对样本t检验、方差分析等等。
非参数检验在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法，在推断过程中不涉及有关总体分布的参数
理论上满足正态分布，但现实情况不满足可能的原因：抽样样本过少，导致总体是正态分布，但抽样样本不满足正态分布绝对正态分布很难满足，可以结合正态分布直方图以及峰度（绝对值小于 10）、偏度（绝对值小于 3）进一步分析，如果数据分布基本满足“钟形曲线”特征，可以描述为基本符合正态分布。小样本(小于50)时建议使用S-W检验，大样本(大于50)时建议使用K-S检验
下面我们针对上面列出的几个常用的非参数检验逐一进行分析。
1、单样本Wilcoxon符号秩检验用于比较样本数据中位数与一个特定数值之间的差异情况
示例：如研究一家食品生产企业的罐装食品标准重量是不是 100g（数据非正态分布）
P