1、第一章 正态分布 如果你的人 ...
-
如果你的人生数据服从正态分布，说明你是个普通人，没什么不好的。
陆明远已经在这堆东西面前坐了三个小时。
严格来说，这不是一堆东西，这是一个人——林墨，他的妻子，去世一百天的妻子——留在这个世界上最后的物质形态。统计局宿舍楼五十七平米的老房子里，到处都是她的痕迹，但陆明远从不觉得那是痕迹，他管它们叫“数据”。
数据需要清洗，这是他的职业本能。
作为国家统计局城市社会经济调查司的主任科员，陆明远在过去十五年里处理过的数据表格如果打印出来，能把他们的卧室从地板堆到天花板。他知道什么样的数据是有效的，什么样的数据是噪音，什么样的数据该被毫不犹豫地剔除。
所以他今天要做的事，听起来很残忍，但从专业角度来说非常合理：清理林墨留下的遗物，剔除噪音，留下有效样本。
茶几上堆着三大箱东西，全是林墨的。衣服、书、笔记本、零散的票据、几张银行卡、一个用了五年的手机、一瓶用到一半的护手霜。陆明远给自己倒了杯白开水，坐在沙发上，开始分类。
衣服：有效数据，捐给小区门口的回收箱。
票据：噪音，直接扔掉。
笔记本：需要进一步判断。
手机：需要进一步判断。
护手霜：……
他拿起那支护手霜，拧开盖子闻了闻，是茉莉花的味道。林墨喜欢茉莉花，每年夏天都要从菜市场买一小盆，放在阳台上。开花的时候，整个屋子都是香的。后来那盆花死了，林墨难过了好几天。陆明远当时正在赶一个关于居民消费价格的报告，没太在意。
护手霜应该属于什么？有效数据还是噪音？
他把盖子拧回去，放在茶几的一角。暂时搁置。
笔记本一共七本，都是那种最普通的牛皮纸封面的工作笔记本，单位发的。林墨生前在国家发改委宏观经济研究院工作，比他高两级，工资比他多两千三——他精确地记得这个数字，因为每次吵架的时候林墨从来不说，但他自己会在心里算。
翻开第一本，全是工作笔记。某年某月某日，某次会议，某人发言，某组数据。陆明远的职业病犯了，开始快速扫描，寻找异常值。没有。全是规规矩矩的会议记录，字迹工整得像印刷体。第二本，一样。第三本，一样。一直到第七本，都一样。
七本笔记本，七百多页，全是工作。
陆明远放下笔记本，突然觉得有点喘不上气。不是悲伤，是一种说不清的感受，像被什么东西卡住了。七百多页，全是工作。他们的婚姻十五年，她留下的文字记录七百多页，全是工作。
他起身去阳台抽烟。
烟抽到一半的时候，他发现阳台角落还有一个小纸箱，被一块旧布盖着。他走过去，掀开布，蹲下来。
纸箱里全是文件。不是那种打印出来的红头文件，是那种打印出来的数据表格——统计局系统内部流通的那种，A4纸，密密麻麻的数字，右下角有打印时间。
陆明远随手拿起最上面的一摞。
“城镇居民家庭人均消费支出（1980-2020）”，打印时间2022年3月17日。
他愣了一下。2022年3月17日，那是林墨确诊癌症的日子。
陆明远把那一摞纸拿回客厅，放在茶几上。
他的手指有点抖，不是因为激动，是因为冷。三月北京的阳台还是冷的，他在那里蹲了太久。
他开始翻。
三十页，每一页都是表格，按年份排列。1980年到2020年，四十年的数据，每一年的城镇居民家庭人均消费支出，分八大类：食品烟酒、衣着、居住、生活用品及服务、交通通信、教育文化娱乐、医疗保健、其他用品及服务。
这是统计局最常规的数据，每年都发，每个相关单位都有存档。不稀奇，没有任何保密级别。
但林墨把它们全部打印出来了，而且不是从系统里直接打印的那种——陆明远太熟悉那种格式了——这些表格明显是手动调整过格式的，每一个数字的字体、字号、对齐方式，都经过精心设置，看上去像是准备发表论文用的那种严谨表格。
2022年3月17日打印，那天她被确诊。
所以那天她从医院回来，在等待活检结果的时候，打印了这些数据？
陆明远往后靠了靠，让自己离这些纸远一点。三十页纸，四十年的数据，打印时间是妻子确诊癌症的那一天。这是一个需要被谨慎对待的信息。
他决定按照职业习惯来处理：先建立假设，再寻找证据。
假设一：这是她最后一篇论文的研究数据。证据：格式如此严谨，符合论文发表要求。
假设二：这是她留给单位的资料整理。证据：数据太常规了，任何一个研究员都能从系统里调取。
假设三：这是……
他想不出假设三。
手机响了，是沈瑶。
“陆老师，下午那个会还开吗？”沈瑶的声音从听筒里传来，年轻、清脆，带着一点小心翼翼。
陆明远看了一眼时间，下午两点十五。他把会忘了。
“开，我马上到。”
挂了电话，他把那摞纸放回茶几上，起身穿外套。走到门口又折回来，把那摞纸放进了自己的公文包。他不确定为什么要这么做，但直觉告诉他，这些东西不能和那堆“噪音”混在一起。
下午的会是关于一季度宏观经济形势分析的内部讨论。陆明远负责城市居民消费这一块，需要汇报初步的数据情况。他讲了四十分钟，全程没有看稿子，所有的数字都在脑子里。
沈瑶在旁边做记录，偶尔抬头看他一眼。
会议结束后，司长把他留下，问了几句关于林墨的事，他说“还好”，司长拍了拍他的肩膀，说“节哀”，他说“谢谢”。这是标准的对话流程，他已经在过去一百天里重复了无数遍，熟练得像执行一段代码。
回到办公室的时候已经五点半，沈瑶还在。
“陆老师，您今天那个数据……”
“什么数据？”
沈瑶指了指他桌上那摞从家里带来的纸。他这才发现，自己开会的时候居然把这东西带来了，还摊在桌上。
“哦，这不是工作用的。”他走过去，想把纸收起来。
沈瑶突然说：“这个格式，是林老师做的吧？”
陆明远停下手：“你认识她？”
“林老师给我们上过课，宏观经济分析。”沈瑶说，“她做表格特别讲究，说是‘数据的尊严’。她说，数据本身没有意义，但呈现数据的方式，是对数据的尊重。”
数据的尊严。这是林墨会说的话。
陆明远把那摞纸又摊开了：“她打印的，四十年的消费支出数据。”
沈瑶凑过来看了一眼：“这数据很常规啊，系统里直接就能导出来。”
“嗯。”
“那她为什么……”
“不知道。”
沉默了几秒。沈瑶识趣地没再问，收拾东西准备下班。走到门口的时候，她回头说：“陆老师，林老师以前上课的时候说过一句话，我一直记得。她说，最常规的数据里，往往藏着最不常规的真相。关键是你怎么读。”
门关上了。
陆明远坐在办公桌前，看着那四十年的数据。
最常规的数据里，藏着最不常规的真相。怎么读？
他打开电脑，开始把这些数据录入统计软件。
晚上十点，数据录入完成。
陆明远给自己泡了杯浓茶，开始做最基础的描述性统计。
1980年到2020年，四十一年的数据，平均消费支出是8237.6元，标准差是6842.3——这个标准差很大，说明四十年间消费水平发生了剧烈变化，这符合常识，八十年代和二十一世纪的消费不可同日而语。
他继续往下看。
最大值：2020年，城镇居民人均消费支出27007元。
最小值：1980年，412元。
极差：26595元。
偏度：1.32，正偏，说明数据集中在左侧，右侧有长尾。
峰度：3.87，比正态分布的3略高，说明分布比正态分布更尖锐。
一切都很正常。这些数据他太熟悉了，每年都在处理，每年都在报告里写。中国城镇居民的收入在增长，消费在升级，恩格尔系数在下降，这是几十年的趋势，没什么特别的。
但林墨为什么要打印它们？
他开始做正态性检验。
正态分布是统计学里最基础的分布，自然界和社会科学中无数现象都近似服从正态分布：身高、体重、考试成绩、测量误差……如果一组数据服从正态分布，说明它是自然的、正常的、没有受到异常干扰的。
反之，如果一组数据不服从正态分布，说明它背后可能有特殊的原因。
他先用Shapiro-Wilk检验。
检验结果：W = 0.983, p-value = 0.762。
p值0.762，远大于0.05的显著性水平。这意味着什么？意味着不能拒绝原假设——原假设是“数据服从正态分布”。也就是说，从统计学的角度看，这组四十一年的消费支出数据，是服从正态分布的。
陆明远盯着屏幕上那个0.762，愣了一下。
不对。
为什么不对？因为这是四十年的时间序列数据，不是横截面数据。时间序列数据通常是不服从正态分布的——它们有趋势，有周期，有自相关，怎么可能服从正态分布？
他快速画了一个□□图。
□□图是用来检验正态性的直观工具——如果数据点大致落在一条直线上，说明数据近似正态分布；如果偏离直线，说明不服从正态分布。
屏幕上的□□图，所有点几乎完美地落在那条对角线上。
完美得像假的。
陆明远的手停在了鼠标上。
四十年的消费支出数据，包含了改革开放初期的低消费、九十年代的快速增长、新世纪以来的持续上升、金融危机的波动、近几年的稳定……这么复杂的经济过程，居然完全符合正态分布？
理论上说，如果这个时间序列是平稳的，如果每年的波动都是随机的，那么长期来看确实可能近似正态。但这四十年是中国经济变化最剧烈的四十年，怎么可能平稳？
他做了ADF单位根检验，检验数据是否平稳。
检验结果：p = 0.32，不能拒绝“存在单位根”的原假设。也就是说，这个序列是不平稳的。
一个不平稳的时间序列，怎么可能服从正态分布？
陆明远把身体往后一靠，椅子发出一声轻响。
有两种可能：
第一，这是纯粹的巧合。自然界偶尔会出现这种看似完美的分布，但概率极低。
第二，这组数据被人为调整过。
他看着屏幕上那个完美的□□图，想起林墨做的那些格式精美的表格。她为什么要花时间调整表格的格式？如果只是普通的存档，系统直接打印就够用了。
除非，她不是在存档。她是在留下什么东西。
深夜十一点四十，陆明远还在办公室。
他开始逐年的数据检查。
1980年：412.44元。这是原始数据，和统计局存档一致。
1981年：456.84元。一致。
1982年：471.00元。一致。
……
一路查下来，每一年的数据都和存档完全一致，小数点后两位都分毫不差。他查了三十年的数据，没有发现任何修改的痕迹。
那这完美的正态分布是怎么来的？
他重新打开原始数据文件——统计局存档的那个版本，不是林墨打印的那个版本。他导入软件，做同样的正态性检验。
Shapiro-Wilk检验结果：W = 0.921, p-value = 0.0083。
p值0.0083，远小于0.05，拒绝正态分布的原假设。
存档的数据，根本不服从正态分布。
林墨打印的那组数据，和存档的数据一模一样，为什么检验结果完全不同？
陆明远把两组数据并列放在屏幕上，一行一行对比。
1980年：412.44，相同。
1981年：456.84，相同。
1982年：471.00，相同。
……
一直对比到1995年，全部相同。
他往后靠了靠，盯着屏幕。
数据完全相同，正态性检验结果却完全不同。这怎么可能？除非……
他猛地坐直，开始检查样本量。
存档数据是从1980年到2020年，共41个样本点。林墨打印的也是1980到2020，也是41个样本点。样本量相同。
那问题出在哪？
他重新看林墨那摞纸，注意到一个细节：打印时间。
2022年3月17日。
2022年的数据，统计局直到2023年初才最终定稿。林墨在2022年3月打印数据的时候，怎么可能有2020年的最终数据？2020年的最终数据应该在2021年下半年才发布。
除非，她的数据不是从统计局系统里导出的。
陆明远拨通了数据中心值班室的电话：“帮我查一下，2022年3月17日，有没有人从外部IP访问过城镇居民消费数据库。”
十五分钟后，电话回过来：“没有，陆处。那天没有任何外部访问记录。”
“内部呢？”
“内部……等一下，有个记录。那天下午三点，发改委宏观经济研究院的账号登录过，下载了城镇居民消费1980-2020年数据。下载人：林墨。”
陆明远挂了电话。
林墨从系统里下载了数据，这没问题。但她下载的数据应该和存档数据完全一致——事实上也确实完全一致，他刚刚一行一行对过了。
那为什么正态性检验结果不同？
他又看了一眼□□图，那些点依然完美地落在那条直线上。
一个念头突然闪过：也许，她用的不是这41个点？
他重新看那摞纸，这一次数的是页数。
三十页。
统计局存档的城镇居民消费数据，每年一张表，40年应该就是40张表。但他手里的这摞纸是30页，不是40页。他刚才光顾着检查数据，居然没发现页数不对。
他快速翻阅，发现每一页都是两年的数据合并在一张表上。也就是说，这30页纸，其实涵盖了60年的数据？
不，标题上写的是1980-2020，40年。但40年的数据，如果每页放两年，应该是20页，不是30页。
他翻开第一页：1980-1981。
第二页：1982-1983。
第三页：1984-1985。
……
一直到第十五页：2010-2011。
第十六页突然变成了：1970-1971。
第十七页：1972-1973。
……
第二十五页：1988-1989。
第二十六页：2012-2013。
第二十七页：2014-2015。
第二十八页：2016-2017。
第二十九页：2018-2019。
第三十页：2020-2021。
1970年到1971年的数据？城镇居民消费的官方统计从1978年以后才逐步完善，1970年的数据从哪来的？
陆明远的手开始发抖。
他明白了。这不是40年的数据，这是52年的数据——1970年到2021年，52个年份，因为每页两年，所以26页就够了。但这里有30页，说明有4页是重复的，或者……
他重新排序，按照年份把所有的页重新排列。
1970-1971, 1972-1973, 1974-1975……一直到1988-1989，然后是1980-1981, 1982-1983……2010-2011, 2012-2013……2020-2021。
中间有一段是重合的：1980-1989这十年，出现了两次。
一次在1970年代序列里，一次在1980年代序列里。
他对比这两组数据。
1970年代序列里的1980-1989数据，和统计局存档的1980-1989数据完全一致。
1980年代序列里的1980-1989数据，也完全一致。
两组数据相同，但在不同的序列里位置不同。如果把这些数据按照时间顺序排成一个长序列，就会得到一个从1970到2021的52年数据——其中1980到1989这十年，出现了两次。
也就是说，这个数据集的样本量是：1970-1979（10年）+ 1980-1989（10年，第一次出现）+ 1990-2021（32年）+ 1980-1989（10年，第二次出现）= 62个样本点。
她创造了一个包含62个样本点的数据集，其中十年的数据是重复的。
为什么要重复这十年？
陆明远开始录入这62个数据点，重新做正态性检验。
Shapiro-Wilk检验结果：W = 0.994, p-value = 0.981。
p值0.981，接近1。这意味着什么？意味着这组人为构造的数据，完美地服从正态分布——完美得几乎不可能。
他盯着那个0.981，突然觉得喉咙发紧。
林墨不是在做研究。她是在用数据说话。
她用这种方式告诉他：你看，只要我把这十年重复一次，整个序列就变成了完美的正态分布。这十年是关键。这十年是异常值，但也是让一切变得完美的原因。
这十年，是哪十年？
1980到1989。
他们哪一年认识的？
1989年。
凌晨两点，陆明远回到家。
屋子里很黑，他没开灯，在沙发上坐了很久。
那摞纸还在茶几上，就是从那摞纸里，他发现了一个秘密。不，不是一个秘密，是一个数学事实：如果把他们认识的那十年重复一次，他们共同经历的所有年份——1970年到2021年，就构成了一个完美的正态分布。
他想起了林墨说过的一句话。
那是很多年前，他刚参加工作，在统计局做最基础的数据录入。有一天他抱怨工作太无聊，每天都是重复劳动。林墨说：“你知道什么是正态分布吗？”
他说知道啊，就是中间高两边低那个钟形曲线。
林墨说：“正态分布之所以叫正态，是因为它描述了最普遍的自然规律。大多数人的身高都在平均值附近，极矮和极高的人都很少。大多数人的智商也在平均值附近，天才和白痴都是少数。大多数事情都是这样，平庸是常态，极端是例外。”
他说：“所以呢？”
林墨说：“所以，如果你的人生数据服从正态分布，说明你是个普通人，没什么不好的。”
他当时没听懂她什么意思。
现在他懂了。
她用五十二年的数据，加上那重复的十年，构造了一个完美的正态分布。她想告诉他的是：我的人生数据，因为有了和你一起的这十年，才变得完美。这十年值得重复两次。这十年，是我人生的均值。
凌晨三点，陆明远坐在黑暗里，把那二十页纸抱在胸口。
他想起确诊那天。2022年3月17日，他从单位赶到医院，林墨已经在等他了。她坐在走廊的长椅上，手里拿着一本书，看见他来，笑了笑说：“没什么大事，等结果吧。”
他坐在她旁边，问她想吃什么。
她说想吃麻辣烫。
他说你现在不能吃辣的。
她说那就吃馄饨吧。
然后他们就一直坐着，等结果。林墨没说话，他也没说话。后来结果出来了，医生把他们叫进去，说了很多话。他只记住了三个字：晚期。
从医院出来，林墨说：“我想回单位一趟，有点东西要处理。”
他说：“我陪你。”
她说不用，你回去上班吧。
他坚持要陪，她说：“真的不用。你去了也帮不上忙。”
他后来还是没去，直接回单位了。那天下午他在赶一个报告，关于一季度居民消费形势分析。他一直忙到晚上九点，回家的时候林墨已经睡了。
他不知道她去单位处理了什么。
现在他知道。
她去处理了这个。这个用五十二年的数据和重复的十年构造的完美正态分布。这个用他唯一能懂的语言写成的，最后的话。
第二天早上，陆明远没有去上班。
他给沈瑶发了条微信，说今天有事，请假一天。
沈瑶回：好的陆老师，您好好休息。
他没回。
他把那三十页纸摊在餐桌上，一张一张看。看那些数字，那些年份，那些林墨亲手调整过的格式。他发现每一页的右下角都有一个很小的数字，像是页码，又不太像。第一页右下角是“1/30”，第二页是“2/30”，一直到第三十页是“30/30”。很正常的页码。
但他注意到，在“1/30”的旁边，有一个更小的数字，几乎看不清：-3σ。
他翻到第二页，右下角同样位置：-2.5σ。
第三页：-2σ。
第四页：-1.5σ。
……
第十五页：0σ。
……
第二十五页：1.5σ。
……
第三十页：3σ。
σ是标准差。从-3σ到3σ，正好覆盖了正态分布的99.7%的范围。
这不是页码，这是位置标记。她把三十页纸按照正态分布的标准差分了类，每一页对应一个标准差区间。而第十五页，0σ，是均值的位置。
他翻到第十五页。这一页上只有两个年份：1989年和1989年。
就是那重复的十年中的第一年。
1989年，他们认识的那一年。
他想起他们第一次见面。那是在一个学术会议上，他代表统计局，她代表发改委宏观经济研究院。会议间隙，她在走廊里接电话，阳光从窗户照进来，照在她身上。他站在旁边等她挂电话，想问她一个关于数据的问题。她挂了电话，转头看见他，笑了笑说：“你好，我是林墨。”
他说：“我知道。”
她说：“你知道什么？”
他说：“我知道你是今天报告做得最好的那个人。”
她笑了，说：“你挺会说话的。”
他说：“不是会说话，是事实。你的数据讲得比任何人都清楚。”
她说：“数据本身就清楚，我只是没把它讲乱。”
后来他才知道，那天的会议她原本可以不参加，是替同事来的。
如果那天她没来替同事，他们就不会认识。如果他们没有认识，就不会有后来的十五年。如果没有后来的十五年，就不会有今天的这些纸。如果没有这些纸，他就永远不会知道，原来她一直在用他能懂的方式，说着他听不懂的话。
他把第十五页纸贴在胸口。
0σ。均值。1989年。
这是他应该停留的位置，这是他应该回去的地方。
但他回不去了。
一周后，陆明远提交了辞职报告。
司长很意外，问他为什么。他说想换个活法。司长说你都四十三了，换个什么活法。他说不知道，换了才知道。
司长沉默了很久，说是不是因为林墨。他说是。
司长说，那就去吧。什么时候想回来，随时回来。
他从办公室收拾东西的时候，沈瑶站在门口。
“陆老师，您真的要走了？”
“嗯。”
“那您……以后做什么？”
“还没想好。”
沈瑶犹豫了一下，说：“林老师以前上课的时候，还说过一句话。”
陆明远看着她。
“她说，数据是死的，人是活的。但如果一个人愿意用一生的时间，把自己的生命变成一组可以被理解的数据，那这组数据，就是她留给这个世界的情书。”
沈瑶说完，转身走了。
陆明远站在办公室里，看着窗外。
窗外是北京三月的天空，灰蒙蒙的，看不见云。
他把那三十页纸放进公文包里，走出办公室，走出统计局的大楼，走到大街上。街上人来人往，没有人认识他，没有人知道他的妻子在一百零七天前去世了，没有人知道他的妻子用五十二年的数据和重复的十年构造了一个完美的正态分布，没有人知道那是她留给他的最后一句话。
他站在路口，等红灯。
红灯变成绿灯，他穿过马路。
他不知道要去哪里，但他知道，从今天开始，他要学会读她的话。
用她教他的方式。
用数据。
用正态分布。
用那些她藏了十五年，终于在他能懂的时候才说出来的，所有的话。
太阳出来了，照在他身上。
三月的北京，风还是冷的，但阳光已经有些暖了。
他把公文包抱紧了一点。
那里面的三十页纸，是她留给他的一切。
作者有话说
第1章 第一章 正态分布
