用图表看数据：分布、形状与异常值
如果只给你一串数字，你通常很难马上判断它在说什么。
比如一组同学记录了自己昨天的屏幕时间：
1.0, 1.3, 1.8, 2.0, 2.1, 2.4, 2.5, 2.8, 3.1, 3.2, 3.3, 3.5, 3.7, 4.0, 7.8
你可以立刻算平均数，但算完以后仍然会有很多问题：大多数人集中在哪里？有没有特别高的值？这组数据是平缓分布，还是被某个极端值拉长了尾巴？如果先画图，这些问题会更早浮出水面。
统计里很容易出现一种习惯：一拿到数据就开始计算。这个习惯并不坏，但顺序要放对。图表不是计算之后的装饰，而是计算之前的侦察。
这一节的目标很简单：先让图像开口，再让数字补充。我们会用频数表、条形图、直方图、折线图和散点图观察数据，并练习用“形状、中心、离散程度、偏态、异常值”这几个词描述一组数据。
从一串记录到频数表
原始数据通常长得很散。比如调查 30 位同学今天怎么来学校，得到的是一串回答：
公交, 步行, 地铁, 自行车, 公交, 家长接送, 步行, 公交, 地铁, 自行车, 公交, 公交, 步行, 地铁, 公交, 家长接送, 自行车, 公交, 步行, 地铁, 公交, 公交, 自行车, 步行, 地铁, 公交, 家长接送, 步行, 公交, 自行车
这串回答本身包含信息，但信息还没有被整理。频数表做的第一件事，就是数清每个类别出现了多少次。
频数是“出现了几次”。相对频率是“在全部观察里占多大比例”。如果总共有 30 个观察，公交出现 11 次，那么公交的相对频率就是：
频数表适合核对具体数量，条形图适合比较类别高低。把同一张表画成条形图后，“公交最多、家长接送最少”会比在表格里更容易看出来。
例题：把调查结果整理成图表
某班 24 位同学选择最常用的学习工具，结果如下：
纸质笔记, 电子笔记, 纸质笔记, 视频课, 纸质笔记, 电子笔记, 题库, 纸质笔记, 视频课, 电子笔记, 纸质笔记, 题库, 电子笔记, 纸质笔记, 视频课, 纸质笔记, 电子笔记, 纸质笔记, 题库, 视频课, 电子笔记, 纸质笔记, 纸质笔记, 电子笔记
请制作频数表，并判断应该用什么图展示。
先确认变量类型。这里记录的是“最常用的学习工具”，它是类别，不是可以加减平均的数值，所以先按类别计数。
再逐类数频数。纸质笔记出现 10 次，电子笔记出现 7 次，视频课出现 4 次，题库出现 3 次，总数是 24。
接着计算相对频率。纸质笔记的相对频率是 ，电子笔记是 ，视频课是 ，题库是 。
最后选择图表。因为变量是类别，条形图比直方图合适；条与条之间应留出间隔，表示这些类别并不是连续区间。
看到类别数据时，先做频数表，再考虑条形图。条形图比较的是类别之间的多少，不表示类别之间有连续距离。
选对图表：变量类型先说话
不同图表回答的问题不同。选图表之前，先问两个问题：变量是类别还是数值？你要看一个变量、时间变化，还是两个变量之间的关系？
条形图和直方图最容易被混淆。条形图的横轴是类别，类别之间没有自然连续距离，所以条之间通常有空隙。直方图的横轴是数值区间，区间一个接一个覆盖数轴，所以柱子通常贴在一起。
不要把“柱子长得像”当作同一种图。条形图问的是“类别之间怎么比”，直方图问的是“数值在不同区间里怎么分布”。如果把成绩区间画成有空隙的类别图，读者可能会忘记这些区间其实连在同一条数轴上。
直方图：看分布的形状
直方图把数值数据切成连续区间，再数每个区间里有多少个观察。它牺牲了单个数据点的细节，换来整体形状。
仍看屏幕时间数据：
1.0, 1.3, 1.8, 2.0, 2.1, 2.4, 2.5, 2.8, 3.1, 3.2, 3.3, 3.5, 3.7, 4.0, 7.8
如果按 1 小时为组距，可以整理成：
这张表比原始数据清楚，但直方图会更直接：大多数值集中在 2 到 4 小时附近，右侧有一个 7.8 小时的远点，分布向右拖出一条长尾。
形状、中心、离散程度
描述直方图时，可以按三个层次来读。
形状指整体轮廓。它可能近似对称，也可能右偏或左偏；可能只有一个高峰，也可能有两个高峰。黄石公园 Old Faithful 间歇泉的等待时间常被用作统计教学案例，因为等待时间直方图会出现两个明显高峰，提示数据背后可能混着两种不同节奏。
中心指典型位置。刚入门时，可以先粗略看“多数柱子集中在哪里”。后面再用平均数、中位数等数字细化。
离散程度指数据散得有多开。两个数据集中心差不多，但一个集中在中心附近，另一个从低到高铺得很宽，它们传递的信息就很不一样。
偏态的方向看“尾巴”拖向哪边。右偏不是说右边柱子更高，而是说少数较大的值把右侧尾巴拉长；左偏也是同理。
分箱宽度会影响你看到的故事
直方图不是唯一答案。组距太窄，图会变得锯齿状，很容易把随机波动误看成结构；组距太宽，重要细节又会被抹平。一个稳妥做法是试几个合理组距，看看主要结论是否稳定。
不要为了让图“证明”某个结论而挑分箱。分箱可以帮助观察，也可能制造错觉。好的读图习惯是：说明组距，试验不同组距，并把注意力放在稳定出现的形状上。
折线图：看时间里的变化
折线图适合展示同一个量按时间顺序变化。它的横轴通常是日期、周次、月份或年份，点与点之间用线连接，是因为这些观察有自然顺序。
读折线图时，先看整体趋势，再看局部波动，最后找突然变化。比如一家书店连续 14 天记录客流量，整体可能慢慢上升，中间有上下波动，某一天因为活动突然冲高。这个冲高点不一定是错误，它可能是一个需要解释的事件。
折线图有一个常见误用：把没有顺序的类别硬连起来。比如把“篮球、足球、羽毛球、游泳”的喜好人数连成一条线，线段会暗示类别之间有连续变化，但这些类别并没有这种顺序。这里应该用条形图。
例题：读一张折线图
某校图书馆记录一周每天晚自习人数：
请描述这组数据，而不是只报最大值和最小值。
先看时间顺序。周一到周四人数大致在 86 到 94 之间，波动不大，说明工作日中段比较稳定。
再找突然变化。周五人数升到 138，比前几天高出很多，这可能与考试、讲座或集体活动有关，不能只把它当成普通波动。
最后看周末。周六和周日降到 72 和 69，低于工作日，说明周末使用模式可能不同。
用一句话总结：这张折线图显示工作日前四天较稳定，周五出现尖峰，周末明显下降；接下来应该调查周五是否有特殊事件。
散点图：看两个变量怎样一起动
当每个个体身上记录了两个数值变量时，散点图很有用。一个点代表一个个体，横坐标放一个变量，纵坐标放另一个变量。
散点图通常先看四件事。
方向：点云整体往右上走，是正方向；往右下走，是负方向。
强弱：点越贴近一条窄带，关系越强；点散得越开，关系越弱。
形状：关系可能接近直线，也可能弯曲。看见弯曲关系时，直接套直线描述会丢掉重要信息。
异常点：有些点远离主体点云，可能是记录错误，也可能是真实但特殊的个体。
Anscombe 四重奏是一个经典提醒：有些数据集的平均数、方差、相关系数和回归直线几乎一样，但散点图形状完全不同。这个例子要表达的不是“数字没用”，而是“只看数字会漏掉结构”。
散点图能提示两个变量是否一起变化，但不能单独证明因果。学习时间和测验分数可能同向变化，仍然需要继续问：有没有基础差异、课程难度、学习方法或其他变量在同时影响结果？
异常值：先调查，再决定
异常值是远离主体数据的观察值。它可能来自录入错误、测量错误，也可能是真实世界里少见但重要的情况。统计上最危险的做法，是看见它“不顺眼”就删除。
看这组每日运动分钟数：
8, 9, 9, 10, 10, 11, 12, 12, 13, 14, 32
大多数值在 8 到 14 分钟之间，32 分钟显得很远。我们可以先算两个中心指标，看看它对数字有什么影响。
中位数是排序后正中间的第 6 个值，也就是 11。平均数被 32 拉高到了 12.7，而中位数仍在主体数据附近。
异常值判断的四步
先看图。用点图、直方图或散点图找出远离主体的观察值，不要只靠肉眼盯表格。
再回到情境。问这个值是否可能真实存在。32 分钟运动可能真实，320 分钟如果出现在“课间运动”记录里就需要核查。
接着检查数据来源。查看是否有单位混乱、录入多写一位、重复记录或测量设备异常。
最后决定如何报告。如果它是真实特殊值，应保留并说明影响；如果确认是错误，应记录修改理由，而不是悄悄删除。
异常值不是“坏数据”的同义词。它只是提醒我们：这里有一个观察和主体不一样。删不删，取决于证据和研究问题，不取决于它让图表好不好看。
先看图像，再算数
图表观察可以压缩成四个问题：形状怎样？中心在哪里？散得开不开？有没有异常值？
这四个问题不会替代计算，但会决定你接下来该算什么。一个近似对称、没有明显异常值的数据集，平均数常常能很好地代表中心；一个明显右偏、带极端大值的数据集，中位数也许更稳。两个变量的散点图如果弯曲，直接算线性相关系数就要小心。
一个小对比
两组测验分数的平均数都是 80。
只看平均数，它们一样；看图或看范围，差异马上出现。A 组集中，B 组分散，而且有一个超过 100 的特殊分数需要调查。这个例子说明，平均数回答的是“平衡点在哪里”，不是“所有人表现都差不多”。
一个稳妥的顺序是：先画图，描述形状、中心、离散程度和异常值；再选择合适的数字摘要；最后回到情境解释这些数字。这样计算不容易跑在理解前面。
常见误区辨析
误区一：图表越复杂越专业
好图表不是元素多，而是问题清楚。一个干净的条形图，常常比带阴影、立体效果和复杂配色的图更容易读。三维柱状图尤其容易让高度判断变形，初学统计时尽量不用。
误区二：折线图可以连接所有东西
折线图的线表示顺序中的连续变化。时间数据可以连，温度随日期变化可以连；运动类别、颜色偏好、交通方式之间没有连续顺序，连线反而会制造不存在的趋势。
误区三：直方图最高的柱子就是平均数
最高的柱子表示频数最多的区间，它更接近“众数区间”的概念。平均数是平衡点，可能不在最高柱子里。尤其在偏态分布中，平均数会被长尾拉走。
误区四：看见异常值就删除
异常值要先查原因。数据错误可以修正，真实特殊值应该保留并说明。比如医院里一个特别高的用药剂量可能是录入错误，也可能对应一位重症患者；这两种情况不能同样处理。
误区五：坐标轴怎么截都可以
条形图的纵轴如果从非零处开始，差异可能被夸大。折线图有时可以截轴以观察小波动，但必须清楚标出，并提醒读者变化的实际幅度。图表的尺度是读者理解数据的一部分，不是随手设置的背景。
练习：让图先说话
练习 1：选择图表
某班记录 40 位同学最喜欢的早餐类型：包子、面包、粥、鸡蛋、米粉。应该先做什么图？为什么？
这是一类类别数据，应该先做频数表，再用条形图比较各早餐类型的频数。直方图不合适，因为“包子、面包、粥”不是连续数值区间。
练习 2：读直方图形状
某次跑步训练的完成时间大多集中在 12 到 16 分钟，但少数同学用了 25 分钟以上。这个分布可能有什么形状？读图时要注意什么？
它可能是右偏分布，因为少数较大的完成时间把右侧尾巴拉长。读图时要同时说明主体集中区间和右侧长尾，不要只报一个平均时间。若后续要选中心指标，中位数可能比平均数更能代表多数人的完成时间。
练习 3：异常值是否删除
一组每日阅读时间为 18, 20, 22, 23, 24, 25, 26, 110 分钟。110 分钟看起来很远。你会直接删除它吗？
不应该直接删除。先检查它是否录入错误，比如是否把 10 写成 110；再问情境上是否可能真实存在，比如周末有人连续读了一本书。如果确认真实，就应保留并说明它会拉高平均数；如果确认错误，再记录依据并修正。
练习 4：比较平均数相同的两组数据
两组数据如下：
它们的平均数都是多少？只说平均数够不够？
A 组平均数是 ，B 组平均数是 。只说平均数不够，因为 A 组集中在 10 附近，B 组散得更开。图像会显示 B 组的离散程度明显更大。
练习 5：散点图怎么描述
一张散点图中，横轴是每天学习时间，纵轴是小测分数。点云整体往右上方走，但有几个学习时间很长、分数仍然偏低的点。你会怎样描述？
可以说这张散点图显示学习时间和小测分数大致呈正方向关系，但关系不是完全稳定，存在几个偏离主体趋势的点。描述时不要直接说“学习时间导致分数提高”，还要考虑学习方法、基础差异、题目难度等因素。
练习 6：折线图还是条形图
如果要展示一周内每天午餐排队人数的变化，用折线图还是条形图更合适？如果要展示不同窗口今天卖出的份数呢？
一周内每天午餐排队人数有时间顺序，用折线图可以观察趋势和波动。不同窗口今天卖出的份数是类别比较，用条形图更合适；不要把不同窗口硬连成折线。
收束：图表先问，数字后答
频数表把原始记录整理成可核对的数量。条形图比较类别。直方图看数值分布的形状、中心、离散程度和异常值。折线图看时间里的趋势和波动。散点图看两个数值变量之间的方向、强弱、形状和异常点。
下一次拿到数据时，先别急着按计算器。先问：我面对的是类别、数值、时间还是两个变量？图像显示数据集中在哪里、散到哪里、有没有长尾和远点？这些问题问清楚以后，平均数、中位数、极差和标准差才会有落脚点。