带低值惩罚的购买分布均匀度计算指标技术问询

看起来你需要的是一个双维度复合指标——既要量化购买日期的分散均匀性，又要对购买天数不足的情况进行惩罚。之前尝试的Wasserstein距离和熵只解决了第一个问题，完全没考虑第二个维度，所以才会出现你说的“对分散和集中的3个1得分相同”的问题。下面给你几个针对性的方案，分二进制数组（有无购买）和每日销量数组两种场景：

一、针对二进制购买数组的方案 #

核心思路：均匀度得分 × 购买天数占比，通过乘法把两个维度的需求绑定——均匀度高但购买天数少的，得分会被拉低；购买天数多但集中的，得分也不会高。

1. 基于分布方差的复合指标 #

计算步骤：

• 第一步：提取所有购买日的索引（比如数组[0,1,0,0,0,0,1,1]的购买日索引是1,6,7）
• 第二步：计算购买日索引的方差——方差越大，说明购买日分布越分散（均匀度越高）
• 第三步：将方差归一化到[0,1]区间：用实际方差除以该k个购买日在n天内的最大可能方差（即购买日尽可能分散时的方差，比如n=8、k=3时，最大方差对应索引0,3,7的情况）
• 第四步：乘以购买天数占比（k/n，k是购买天数，n是总天数），得到最终得分

示例对比：

• 数组A（分散3个1）：方差≈6.88，归一化均匀度≈0.837，购买占比=3/8=0.375 → 最终得分≈0.314
• 数组B（集中3个1）：方差≈0.666，归一化均匀度≈0.081，购买占比=0.375 → 最终得分≈0.03
• 数组C（分散2个1）：方差=12.25，归一化均匀度=1，购买占比=2/8=0.25 → 最终得分=0.25（比数组A低，实现了对购买天数少的惩罚）

2. 基于熵的复合指标 #

如果你更习惯用熵，可以调整为：

• 计算购买日分布的熵（比如将时间轴划分为等长bin，统计每个bin内的购买次数占比，再计算熵）
• 将熵归一化到[0,1]（除以该k个购买日能达到的最大熵，即完全均匀分布时的熵）
• 同样乘以k/n得到最终得分

可调优化：惩罚权重 #

如果想更侧重惩罚购买天数少的情况，可以把购买占比改成**(k/n)^α**，α是大于1的参数（比如α=2），α越大，购买天数少的得分被压得越低。

二、针对每日销量数组的方案 #

如果用实际销量代替二进制标记，思路类似，只是把“购买日分布”换成“销量分布”：

方案：Wasserstein距离+非零销量占比 #

计算步骤：

• 第一步：计算理想均匀销量分布：总销量S除以总天数n，得到每天的理想销量S/n
• 第二步：计算实际销量数组与理想数组的Wasserstein距离（距离越小，销量分布越均匀）
• 第三步：将距离归一化：用实际距离除以最大可能距离（即所有销量集中在一天时的距离，等于S*(n-1)/n）
• 第四步：用1 - 归一化距离得到均匀度得分（值越接近1，分布越均匀）
• 第五步：乘以非零销量天数占比（非零天数/n），得到最终得分

这个方案既考虑了销量在时间上的均匀分配，又惩罚了大量零销量的情况——比如两个总销量相同的商品，一个每天少量销售（非零天数多），另一个集中几天销售（非零天数少），前者得分会远高于后者。

为什么之前的方法不行？ #

Wasserstein距离和熵只衡量了“分布的均匀性”，完全没有引入“购买天数/非零天数”的权重。比如你说的两个二进制数组，它们和全1数组的Wasserstein距离相同，是因为两者的1的数量相同，距离只衡量了“移动1到全1所需的代价”，但没考虑1的总数本身的多少。而复合指标通过乘以购买占比，把“数量”和“分布”两个维度绑定，正好解决了你的问题。

内容的提问来源于stack exchange，提问作者blastoise