数据分析与统计基础
统计不是一堆公式在纸上打架，它更像是在一桌乱七八糟的证据里，帮你判断“这件事大概是什么样”。
比如班里刚考完数学。老师把成绩发下来，大家最关心的不是每一个人的分数，而是三个问题：
- 这个班大概考得怎么样？
- 大家水平差不多，还是有人特别高、有人特别低？
- 学习时间、刷题量、成绩之间有没有关系？
你看，统计学一上来就很生活。它不要求现实世界像代数题那样干净，恰恰相反，它承认现实里有噪声、有异常值、有误差，然后给你一套工具，把混乱的数据看出一点秩序。
这一节我们就围绕四件事聊：集中趋势看“典型水平”，离散程度看“稳定不稳定”，统计图表把数字变成图像，散点图和线性回归看两组数据之间有没有线索。
集中趋势：先找一个能代表大家的数
平均数、中位数、众数
假设你问：“这个班成绩怎么样？”如果老师回答“每个人成绩都不同，你自己慢慢看”，那基本等于没回答。我们需要一个代表值。
最常见的代表值有三个：平均数、中位数、众数。它们不是谁比谁高级，而是性格不同。
平均数最像“全班一起摊账”。所有分数加起来，再除以人数：
它的优点是公平：每一个数据都算进去。它的缺点也正是这个：每一个数据都算进去，所以特别怕极端值。
比如一组成绩是 ，平均分大约是 ，看起来很合理。现在突然来了一个考 分的新同学，平均分一下掉到 左右。你会发现，平均数不是说谎，它只是太容易被极端值拽走了。
中位数的想法就稳很多。先把数据从小到大排队，然后看中间那个。如果数据个数是奇数，就取正中间；如果是偶数，就取中间两个的平均值。
它不像平均数那样关心每个人具体差多少，只关心谁站在队伍中间。所以房价、收入这类数据常常用中位数。一个小区里如果有几套天价豪宅，平均房价会被抬得很夸张；中位数更接近普通人实际会遇到的价格。
众数更像“投票最多的选项”。奶茶店统计甜度，五分糖点得最多，那众数就是五分糖。它特别适合分类数据，比如尺码、颜色、选项、偏好。对连续成绩这种数据，众数有时不明显，甚至可能没有。
有一个很实用的判断：
- 数据比较对称，平均数、中位数、众数通常差不多。
- 数据右边拖着长尾，比如少数人收入特别高，常见关系是平均数 中位数 众数。
- 数据左边拖着长尾，方向就反过来。
所以别一看到“平均”就默认它最客观。统计里更重要的问题是：你想让这个数代表什么？
如果数据里有明显异常值，又想描述“普通水平”，优先看看中位数；如果你关心总体资源或总量分摊，平均数往往更有用。
离散程度：只知道平均还不够
有一次看球评，两个球员赛季场均得分都是 分。听起来差不多吧？但一个人每场稳定在 分，另一个人可能一场 分、一场 分。场均一样，球队用起来完全不是一个体验。
这就是离散程度要解决的问题：数据到底有多散。
最简单的指标是极差，也就是最大值减最小值。组 A 是 ，极差是 ；组 B 是 ，极差是 。这当然很直观。
但极差有点粗糙，因为它只看两头。中间的人怎么分布，它完全不管。
所以我们需要方差。方差的思路是：先算平均数，再看每个数据离平均数有多远，把这些距离平方后求平均。
为什么要平方？因为有的偏差是正的，有的是负的，直接相加会互相抵消。平方之后，离得越远，惩罚越重。
不过方差有个小麻烦：如果原单位是“分”，方差单位就变成“分²”，读起来很别扭。于是我们再开根号，得到标准差：
标准差的直觉非常好用：它大概表示数据点平均偏离均值多少。
还是那两组： 的标准差很小，说明大家挤在平均数附近； 的标准差很大，说明数据摊得很开。
换到生活里也很容易理解。两个城市年平均气温都是 ，但城市 A 标准差 ，城市 B 标准差 。A 城像四季温和，B 城可能夏天很热、冬天很冷。平均数一样，真实体感完全不同。
平均数回答“中心在哪里”，标准差回答“大家离中心远不远”。只报平均数，经常会漏掉最关键的故事。
统计图表：别让数字躺在表格里装睡
一列数字看久了，人会麻。好的图表不是为了好看，而是为了让数据的形状先跳出来。
茎叶图
茎叶图适合小数据集。它有点像把数字拆成“十位”和“个位”来排队。
比如运动时间 。用十位做“茎”，个位做“叶”，你既能看到分布大概集中在哪，也没有丢掉原始数据。
它的优点是信息保留得完整；缺点是数据一多就拥挤。
直方图
直方图适合大数据集。它把数值分成一段一段区间，比如 、、，再看每个区间有多少数据。
注意它和条形图不一样。条形图常用来比分类，比如苹果、香蕉、橙子；直方图用来展示连续数值的分布，所以柱子之间通常是挨着的。
你看直方图，重点不是一个具体数字，而是整体形状：是不是对称？有没有偏斜？有没有两个峰？有没有异常尾巴？
箱线图
箱线图更像一张“数据体检报告”。它用五个数压缩一组数据：
中间那个箱子从 到 ，叫四分位距：
它表示中间 的数据在哪里。离箱子太远的点，常常会被标成异常值。
箱线图最适合并排比较。比如两个班成绩放在一起，你很快就能看出：哪个班中位数高，哪个班更稳定，哪个班异常值更多。
散点图：两件事是不是一起变化
前面都在分析一组数据。现实里更常见的问题是两组数据之间有没有关系：
学习时间越长，成绩越好吗？广告投得越多，销售额越高吗？屏幕时间越长，睡眠越少吗？
这时候用散点图。每个对象有一对数据 ，就在坐标系里点一个点。点多了以后，你看的是点云整体往哪里走。
- 从左下到右上，是正相关。
- 从左上到右下，是负相关。
- 乱成一团，是没有明显线性相关。
如果只靠眼睛看，有时会吵起来：“我觉得挺相关的”“我觉得也就那样”。所以统计学引入相关系数 ，范围是 。
接近 ，强正相关；接近 ，强负相关；接近 ，说明线性关系很弱。粗略地说， 可以看作强相关， 是中等相关， 就比较弱。
相关不等于因果。冰淇淋销量和溺水人数可能一起上升，但不是冰淇淋导致溺水，而是夏天同时让人更想吃冰淇淋、也更常去游泳。
线性回归：给点云画一条“最合适”的线
如果散点图看起来确实像一条斜着的路，我们就会想画一条直线来描述它：
这里 读作“y 的预测值”。这条线不是随便画的，它要让所有点到直线的竖直距离，也就是残差，整体尽量小。常用标准是让残差平方和最小，这叫最小二乘法。
斜率和截距可以用公式算：
公式看起来有点长，但含义不复杂。斜率 表示 每增加 个单位，预测的 平均增加多少；截距 表示 时的预测值。
回归线可以用来预测，但这里有个坑：预测最好在原始数据范围内做，这叫插值。如果拿 万元广告费的数据，去预测 万元广告费会卖多少，那就是外推。外推经常很危险，因为现实关系不一定一直线性。
衡量回归线拟合得好不好，可以看决定系数 。它等于 ，范围是 。比如 ，可以理解为：这个线性模型大约解释了 的 变化，剩下 还来自别的因素和噪声。
例题与解答
例题一：平均数会不会被异常值骗到
某外卖平台记录了 10 位骑手同一时段的送餐时间，单位是分钟：
求平均数、中位数和众数，并判断哪个更能代表典型送餐时间。
先排序：。排序是为了看中位数，也方便发现 这个明显偏大的值。
例题二：平均一样，稳定性怎么比
两位同学各参加 5 次竞赛。小明成绩为 ，小红成绩为 。两人平均分都是 ，谁更稳定？
小明的方差为
例题三：屏幕时间和睡眠时间
某校收集了 8 名同学每天屏幕使用时间和睡眠时间：
描述相关性，并说明能不能直接得出因果结论。
随着屏幕时间 增大，睡眠时间 明显减小，所以这是负相关。
这些点大体贴近一条向右下方倾斜的直线，实际计算可得 ，属于强负相关。
例题四：回归预测能不能乱用
某品牌连续 6 个月的广告费和销售额如下。已知最佳拟合直线为 ，。
解释斜率含义，预测广告费 万元时的销售额，并说明能否预测广告费 万元时的销售额。
斜率 表示广告费每增加 万元，销售额平均增加约 万元。截距 表示广告费为 时模型预测的基础销售额。
练习
练习一：数据 的平均数、中位数和众数分别是多少？
排序后是 。平均数为 ，中位数是第 4 个数 ，众数也是 。因为 把平均数往右拉高了，所以中位数和众数更接近这组数据的典型水平。
练习二：数据 的标准差是多少？
平均数为 。方差
练习三：相关系数 说明什么？
，所以方向是负相关；，所以强度较弱。也就是说， 增大时 有下降倾向，但这个线性关系不强。
练习四：若回归方程为 ，原始数据的 范围是 。用 和 预测，哪个更可靠？
在原始数据范围内，属于插值，预测相对可靠：
远超原始范围，属于外推，模型不保证仍然成立，所以不可靠。
小结
统计这套工具，真正要训练的是判断力。
平均数、中位数、众数都能描述“典型水平”，但它们适合的场景不同；极差、方差、标准差告诉你数据是不是稳定，只看平均数很容易错过波动；茎叶图、直方图、箱线图把数字的形状画出来，让你先看见分布；散点图、相关系数和线性回归帮助你观察两组数据之间的关系。
最后记住两句很重要的话：相关不等于因果，模型不等于现实。统计不是替你下结论，而是帮你更清醒地看证据。