1. 为什么数据的概括性度量值得单独拎出来讲很多人学统计学前面几章还跟得上一进入“数据的概括性度量”就开始犯迷糊。公式不算难但概念容易混均值、中位数、众数到底什么时候用哪个标准差和方差有什么区别偏态和峰态又是在描述什么更麻烦的是考试要考、工作要用但教材往往把定义堆在一起缺少一条清晰的逻辑线。这一章的核心任务其实就一句话把一堆杂乱的数据压缩成几个能说明问题的数字。你拿到一份销售数据、一批实验测量值、一次问卷的几百份回答不可能把原始数据一条条摆出来给别人看必须用少数几个指标把数据的特征“概括”出来。这些指标分两大类一类描述数据的集中趋势也就是数据往哪儿聚另一类描述数据的离散程度也就是数据散得有多开。再进一步还有描述分布形状的偏态和峰态。这篇文章我打算按自己当年整理笔记的思路把这一章从头到尾捋一遍。不只是抄定义而是把每个指标的适用场景、计算逻辑、容易踩的坑都讲清楚。适合正在学统计学的学生、需要复习备考的人也适合工作中要用数据分析但基础不牢的朋友。看完你至少能做到拿到一组数据知道该算哪个指标、为什么算它、算出来怎么解读。2. 集中趋势数据到底往哪儿聚集中趋势是这一章的第一大块也是大家最熟悉的部分。但熟悉不等于真懂很多人对均值、中位数、众数的理解停留在“平均数”“中间那个数”“出现最多的数”一到具体场景就选错。2.1 均值最常用但也最容易被带偏均值也就是算术平均数公式很简单所有数据加起来除以个数。用符号表示样本均值记作 x̄总体均值记作 μ。它的优点是充分利用了每一个数据的信息数学性质好后续很多统计方法都建立在均值之上。但均值有个致命弱点对极端值极其敏感。我举个自己笔记里记过的例子。一个小组五个人月收入分别是 5000、5500、6000、6500、50000。均值算出来是 14600但这个数字能代表这个小组的“一般水平”吗显然不能因为那个 50000 把均值硬生生拉高了。这时候均值就产生了误导。所以用均值有个前提数据分布相对对称没有特别离谱的极端值。如果数据里有明显的离群点要么用中位数要么把极端值单独拿出来分析。这是我在实际处理数据时踩过的最多的坑——一上来就mean()结果被一个异常值带偏整个结论。另外补充一个细节均值分简单算术平均和加权算术平均。加权平均在现实里用得更多比如你期末成绩是平时分占 30%、考试占 70%这就是加权。加权平均的本质是承认不同数据的重要性不一样不能一视同仁。2.2 中位数抗造的位置代表中位数是把数据从小到大排列后处在正中间的那个数。如果数据个数是奇数正中间那个就是中位数如果是偶数取中间两个数的平均值。中位数最大的优点就是稳健不受极端值影响。刚才那个收入例子中位数是 6000明显比均值 14600 更能代表“一般水平”。所以在收入分布、房价分布这类明显右偏的数据里官方通常报中位数而不是均值就是这个道理。中位数的计算要注意两点。第一必须先排序不排序直接取中间位置是错的。第二偶数个数据时取中间两个的平均这个平均只是为了让中位数唯一它本身不代表什么实际含义。我见过有人纠结“偶数个数据的中位数为什么是两个数的平均”其实不用纠结它就是一个定义上的处理方式。中位数还有个特殊身份它是分位数家族的一员。中位数是第 50 百分位数把数据分成两半。往下还有四分位数、百分位数这些在描述数据位置时非常有用后面讲离散程度还会用到。2.3 众数出现次数最多的那个值众数是数据中出现频率最高的数值。它跟均值、中位数最大的不同是众数可以不存在也可以有多个。如果每个数据都只出现一次那就没有众数如果有两个值并列出现次数最多那就是双众数。众数最适合用来描述分类数据。比如调查大家最喜欢的颜色红色出现 80 次、蓝色 60 次、绿色 40 次那众数就是红色。这种数据你没法算均值中位数也排不出有意义的顺序只有众数能用。对于数值型数据众数用得相对少但在某些场景下很有价值。比如服装店进货最畅销的尺码就是众数按这个尺码多备货最合理。再比如分析用户活跃时段出现次数最多的那个时间段就是众数运营活动就安排在那个点。这里有个容易混淆的点众数描述的是“最常出现”不是“最大”也不是“中间”。我见过有同学把最大值当成众数这是完全不同的概念。2.4 三个指标怎么选一张表说清楚指标适用数据类型优点缺点典型场景均值数值型充分利用所有信息数学性质好受极端值影响大成绩、身高、对称分布数据中位数数值型、有序型稳健不受极端值影响未充分利用所有数据信息收入、房价、偏态分布众数分类、数值型均可适用于分类数据直观可能不存在或多个颜色偏好、畅销尺码选哪个核心看两点数据是什么类型以及分布有没有极端值。分类数据只能选众数数值型数据如果分布对称优先均值如果明显偏态或有离群点优先中位数。这三个指标不是互相替代的关系很多时候一起算出来对比着看反而能发现数据的问题。比如均值远大于中位数说明数据右偏可能存在高值拉高均值远小于中位数说明左偏。3. 离散程度光看集中还不够只描述集中趋势是不完整的。两组数据可能均值完全一样但一组很集中、一组很分散实际含义天差地别。离散程度就是用来衡量数据“散得有多开”的它是集中趋势的必要补充。3.1 极差和四分位差最粗糙但最直观极差就是最大值减最小值也叫全距。它计算最简单一眼就能看出数据的跨度。但极差只用到了两个极端值中间的数据完全没参与所以非常粗糙而且同样受极端值影响。比如刚才那个收入例子极差是 45000但这个数字几乎完全由那个 50000 决定说明不了整体分散情况。四分位差是上四分位数减下四分位数也就是中间 50% 数据的跨度。它比极差稳健因为排除了两端各 25% 的数据不受极端值干扰。四分位差常和箱线图配合使用箱子的高度就是四分位差箱子越矮说明中间数据越集中。这两个指标属于“快速了解”级别精度不高但胜在直观。实际分析中我通常先用极差和四分位差快速扫一眼再用方差和标准差做精确描述。3.2 方差和标准差离散程度的主力指标方差是每个数据与均值之差的平方的平均值。为什么要平方因为如果不平方正负偏差会互相抵消加起来永远是零没法衡量分散程度。平方之后全是正数就能累加了。标准差是方差的平方根。为什么要开根号因为方差是平方过的单位也变成了原单位的平方比如数据是“米”方差单位就是“平方米”不好解释。开根号之后标准差的单位和原始数据一致解释起来直观得多。方差和标准差是这一章最重要的两个指标也是后续推断统计的基础。它们的含义是平均来看每个数据偏离均值多远。标准差越大数据越分散标准差越小数据越集中。计算方差时有个关键区别样本方差和总体方差。总体方差除以 n样本方差除以 n-1。为什么样本方差要除以 n-1因为样本均值本身是用样本数据算出来的它会“贴近”样本数据导致样本内偏差被低估。除以 n-1 是一种修正让样本方差更好地估计总体方差。这个 n-1 叫自由度是统计学里非常重要的概念。我当年学的时候死记硬背后来理解了“用样本估计总体要付出代价n-1 就是代价”才真正记住。3.3 变异系数去掉量纲再比较标准差有个局限它是有单位的而且数值大小受数据本身量级影响。比如比较身高和体重的离散程度身高标准差可能是 5 厘米体重标准差可能是 3 公斤单位不同没法直接比。就算单位相同一组数据均值是 10000另一组均值是 10标准差都是 2显然第一组相对更集中。变异系数就是解决这个问题的它等于标准差除以均值是个无量纲的相对指标。变异系数越大说明相对离散程度越高。它特别适合比较不同量纲或不同量级的数据。用变异系数要注意均值接近零时不能用因为分母太小会导致结果爆炸失去意义。另外它只适用于数值型数据且通常用于正数数据。3.4 离散程度指标对比指标计算方式是否受极端值影响单位适用场景极差最大值-最小值影响极大有快速了解跨度四分位差上四分位-下四分位影响小有稳健描述中间50%方差偏差平方的平均影响大原单位平方推断统计基础标准差方差开方影响大与原数据一致最常用的离散指标变异系数标准差/均值影响大无不同量纲比较4. 偏态与峰态描述分布的形状集中趋势和离散程度描述的是数据的位置和分散但两个分布可能均值和标准差都一样形状却完全不同。偏态和峰态就是用来描述形状的。4.1 偏态数据往哪边歪偏态衡量的是分布的不对称程度。如果分布左右对称偏态为 0。如果右边尾巴长也就是大部分数据集中在左边、少数极大值拖出长尾叫右偏或正偏偏态系数大于 0。反过来左边尾巴长叫左偏或负偏偏态系数小于 0。右偏的典型例子是收入分布大多数人收入中等偏低少数人收入极高把尾巴拖向右边。左偏的典型例子是考试分数如果题目简单大多数人考高分少数人考低分尾巴拖向左边。偏态和均值、中位数的关系很实用右偏时均值大于中位数左偏时均值小于中位数对称时三者接近。所以你看一份数据报告如果只给了均值和偏态方向就能推断中位数大概在均值的哪一侧。这是我在做数据初探时常用的快速判断方法。4.2 峰态尖还是平峰态衡量的是分布的尖峰程度和尾部厚度通常和正态分布比较。标准正态分布的峰态系数为 0有些教材定义为 3看具体约定。峰态大于 0 叫尖峰分布数据更集中在均值附近尾部更薄峰态小于 0 叫平峰分布数据更分散尾部更厚。峰态这个概念在实际中不如偏态常用但在风险分析里很重要。金融收益率分布如果峰态很高意味着极端事件出现的概率比正态分布预测的要高这就是所谓的“厚尾”风险。很多金融模型假设正态分布结果在极端行情下失效就是因为忽略了高峰态。4.3 形状指标速查指标含义大于0小于0等于0偏态系数不对称方向右偏左偏对称峰态系数尖峰程度尖峰、厚尾平峰、薄尾与正态相当5. 用 Python 把这一章跑一遍光看公式容易忘我习惯用代码把每个指标算一遍既加深理解也方便以后直接复用。下面这段代码用一组模拟数据演示集中趋势、离散程度和形状指标的计算。import numpy as np from scipy import stats # 模拟一组右偏数据大部分人收入中等少数人很高 data np.array([5000, 5200, 5500, 5800, 6000, 6200, 6500, 7000, 8000, 50000]) # 集中趋势 mean_val np.mean(data) median_val np.median(data) mode_val stats.mode(data, keepdimsFalse).mode # 离散程度 range_val np.ptp(data) # 极差 q1 np.percentile(data, 25) q3 np.percentile(data, 75) iqr q3 - q1 # 四分位差 var_val np.var(data, ddof1) # 样本方差ddof1 即除以 n-1 std_val np.std(data, ddof1) # 样本标准差 cv std_val / mean_val # 变异系数 # 形状 skew_val stats.skew(data) kurt_val stats.kurtosis(data) print(f均值: {mean_val:.2f}) print(f中位数: {median_val:.2f}) print(f众数: {mode_val}) print(f极差: {range_val}) print(f四分位差: {iqr}) print(f样本方差: {var_val:.2f}) print(f样本标准差: {std_val:.2f}) print(f变异系数: {cv:.4f}) print(f偏态系数: {skew_val:.4f}) print(f峰态系数: {kurt_val:.4f})跑出来你会看到均值明显大于中位数偏态系数为正验证了右偏的判断。这就是把公式和实际数据对应起来的过程比死记定义有效得多。几个代码上的注意点。np.var和np.std默认ddof0算的是总体方差要算样本方差必须设ddof1。scipy.stats.mode在新版本里返回的是对象用keepdimsFalse取标量。stats.skew和stats.kurtosis默认算的是样本偏态和峰态和教材公式可能有细微差别但方向判断一致。6. 常见问题与避坑清单这一章看似简单实际做题和工作中出错的地方很集中。我把自己遇到过和见别人踩过的坑整理成一张表。问题原因正确做法均值被极端值带偏直接对含离群点的数据求均值先看分布偏态明显用中位数样本方差算成总体方差忘记除以 n-1样本数据用 ddof1中位数忘记排序直接取中间位置必须先排序变异系数在均值接近0时使用分母过小导致结果失真均值接近0时改用标准差偏态方向判断反了混淆尾巴方向和系数符号尾巴在右为正偏尾巴在左为负偏分类数据算均值数据类型不支持分类数据只能用众数再补充几个教材上不常写但很实用的经验。第一均值、中位数、众数一起看三者差异能快速揭示分布形状这是数据初探的高效手段。第二标准差比较必须在同量纲同量级下进行否则用变异系数。第三偏态和峰态对样本量敏感小样本算出来的形状指标不稳定别过度解读。第四做报告时如果数据偏态明显同时给出均值和中位数并说明差异原因比只给一个数字专业得多。这一章是整个统计学的地基。后面学抽样分布、参数估计、假设检验全都要用到均值和标准差。把这些指标的含义、适用条件、计算细节吃透后面会轻松很多。我自己复习的时候就是把每个指标都手算一遍、再用代码验证一遍两相对照印象特别深。如果你也在学这一章建议别只背公式找一组真实数据从头算到尾算完你对“概括性度量”这五个字会有完全不一样的理解。