本章学习目标：
- 理解均值、中位数、标准差、分位数的含义和适用场景
- 掌握均值 vs 中位数：什么时候用哪个、数据偏斜意味着什么
- 理解标准差如何衡量数据波动和风险
- 学会用分位数理解数据分布的全貌
- 重点是解读：这些数字告诉我们什么业务故事
- 不需要记住计算公式，只需要知道"怎么理解、怎么用"
一、什么是描述性统计？
1.1 核心定义
描述性统计是用几个关键数字概括和描述一个数据集的整体特征。它回答的核心问题是：
| 问题 | 对应指标 |
|---|---|
| "典型值是多少？" | 均值、中位数、众数 |
| "数据分散还是集中？" | 标准差、极差、方差 |
| "数据分布在什么范围？" | 最小值、最大值、分位数 |
| "数据是对称还是偏斜？" | 偏度 |
1.2 为什么描述性统计如此重要？
想象一下，别人给了你一份10万条销售数据的Excel文件。你不能一条一条地看，你需要用几个数字快速了解：
- 销售额大概在什么范围？（从几元 到百万？）
- 典型的销售额是多少？（100元 还是1000元？）
- 销售额波动大吗？（每天都差不多，还是有大单？）
描述性统计就是给你这几个关键数字，让你在几秒钟内了解数据的全貌。
1.3 一个生活化的例子：了解一个班级的成绩
假设你是一个班级的新老师，你需要快速了解班级的整体学习水平。你拿到了全班50个学生的成绩：
| 统计指标 | 计算结果 | 解读 |
|---|---|---|
| 均值 | 80分 | 平均成绩不错 |
| 中位数 | 85分 | 一半以上学生超过85分 |
| 标准差 | 15分 | 成绩波动较大 |
| 最小值 | 40分 | 有个别学生成绩偏低 |
| 最大值 | 100分 | 有满分学生 |
| 25%分位数 | 70分 | 前25%的学生成绩低于70分 |
通过这些数字，你不需要一个一个地看50个成绩，就已经对班级的整体情况有了清晰的了解。
二、均值（Mean）------ 最常用的"平均值"
2.1 它是什么？
均值是所有数值加起来，除以数值的个数。它是最常用的"平均值"。
计算公式：均值 = (总数1 + 总数2 + ... + 总数n) / n
2.2 一个直观的例子
5个人的月薪：
- 员工A：5,000元
- 员工B：6,000元
- 员工C：5,500元
- 员工D：7,000元
- 员工E：50,000元（老板）
计算 ：(5000 + 6000 + 5500 + 7000 + 50000) / 5 = 14,700元
2.3 均值的优点和缺点
| 优点 | 缺点 |
|---|---|
| 计算简单，容易理解 | 对极端值（异常值）非常敏感 |
| 包含了所有数据的信息 | 数据偏斜时，均值不能代表"典型值" |
| 数学性质好，适合进一步计算 | 会被一个极大值拉高，或被极小值拉低 |
2.4 什么时候用均值？
| 适用场景 | 特征 | 举例 |
|---|---|---|
| 数据对称分布 | 没有极端值 | 成年男性身高（大多数在165-185之间） |
| 需要进一步统计分析 | 后续计算需要 | 回归分析、假设检验 |
| 数据量足够大 | 异常值影响被稀释 | 大样本调查 |
如何向AI描述：
"计算销售额的平均值"
"求一下年龄列的均值"
三、中位数（Median）------ 更能代表"典型值"
3.1 它是什么？
中位数是将所有数值从小到大排序后，位于正中间的那个数。它代表的是"有一半数据大于它，一半数据小于它"。
如果数据个数是奇数，中位数就是中间那个数；如果是偶数，中位数是中间两个数的平均值。
3.2 一个直观的例子
还是那5个人的月薪，排序后：
5,000、5,500、6,000、7,000、50,000
中位数 = 6,000元（排在中间的第三个数）
关键洞察：中位数6,000元比均值14,700元更能代表"普通员工"的薪资水平。
3.3 中位数的优点和缺点
| 优点 | 缺点 |
|---|---|
| 不受极端值影响，非常稳健 | 没有充分利用所有数据的信息 |
| 更能代表"典型值" | 数学性质不如均值好 |
| 适合偏态分布 | 某些统计方法需要均值而非中位数 |
3.4 什么时候用中位数？
| 适用场景 | 特征 | 举例 |
|---|---|---|
| 数据偏态分布 | 存在极端值 | 收入、房价、公司规模 |
| 数据有异常值 | 不便删除或不宜删除 | 含合理极端值的数据 |
| 需要抗干扰的"典型值" | 希望代表大多数 | 居民收入中位数、房价中位数 |
如何向AI描述：
"计算薪资的中位数"
"求一下房价列的中位数"
四、均值 vs 中位数：关键对比
4.1 对比总览
| 对比维度 | 均值 | 中位数 |
|---|---|---|
| 定义 | 算术平均 | 中间位置的值 |
| 受极端值影响 | 非常敏感 | 完全不受影响 |
| 数据利用 | 利用全部数据 | 只利用位置信息 |
| 数学性质 | 好（可进一步运算） | 一般 |
| 适用场景 | 对称分布 | 偏态分布 |
| 业务含义 | "平均每个" | "一半以上的人达到" |
4.2 经典案例：收入分配
场景A：收入分布相对均匀
| 员工 | 月薪 |
|---|---|
| 员工A | 8,000 |
| 员工B | 9,000 |
| 员工C | 8,500 |
| 员工D | 9,500 |
| 员工E | 9,000 |
均值 = 8,800，中位数 = 9,000 → 接近，说明收入分配相对均匀
场景B：收入差距很大（有极高高收入）
| 员工 | 月薪 |
|---|---|
| 员工A | 5,000 |
| 员工B | 6,000 |
| 员工C | 5,500 |
| 员工D | 8,000 |
| 员工E | 500,000 |
均值 = 104,900，中位数 = 6,000 → 差距巨大，中位数更能代表"典型员工"
4.3 从均值和中位数的关系读懂数据
| 关系 | 说明 | 业务含义 | 例子 |
|---|---|---|---|
| 均值 ≈ 中位数 | 数据对称分布 | "典型值"和平均值差不多 | 身高、考试成绩 |
| 均值 > 中位数 | 数据右偏（右侧有大的极端值） | 少数高值拉高了平均值 | 收入、房价、用户消费 |
| 均值 < 中位数 | 数据左偏（左侧有小的极端值） | 少数低值拉低了平均值 | 某些考试分数（少数人不及格拉低平均） |
实际案例：
- 某小区房价：多数房子500-600万，几套别墅2000万+ → 均值600万，中位数550万 → 右偏
- 某次考试：多数人80-90分，少数人不及格（50分） → 均值80分，中位数85分 → 左偏
核心洞察 ：当均值和中位数差距巨大时，一定要警惕------平均值可能具有欺骗性。
4.4 实际应用建议
| 场景 | 推荐用 | 理由 |
|---|---|---|
| 汇报给大众/媒体 | 中位数 | 更公平，不被极端值扭曲 |
| 内部经营分析 | 看两者 | 既要了解典型，也要警惕极端 |
| 建模之前 | 取决于模型 | 线性回归用均值，决策树不敏感 |
| 发现异常值 | 对比两者 | 差距大提示存在异常值 |
五、标准差（Standard Deviation）
5.1 它是什么？
标准差 衡量数据相对于均值的离散程度------即数据是紧密聚集在均值附近，还是分散在很大范围内。
通俗理解：
- 标准差小 ：大多数数据点靠近均值，数据稳定
- 标准差大 ：数据点分散，数据波动大、不稳定
5.2 一个直观的例子
班级A的考试成绩：85, 86, 84, 87, 85 → 均值≈85.4，标准差≈1.0（很小）
班级B的考试成绩：60, 95, 50, 98, 55 → 均值≈71.6，标准差≈21（很大）
| 班级 | 均值 | 标准差 | 解读 |
|---|---|---|---|
| A班 | 85.4 | 1.0 | 成绩稳定，学生水平接近 |
| B班 | 71.6 | 21 | 成绩波动大，有好学生也有差学生 |
5.3 标准差的业务含义
| 标准差大小 | 业务含义 | 举例 |
|---|---|---|
| 小 | 稳定 、一致 、风险低 | 月销售额标准差小 → 收入稳定可预测 |
| 大 | 波动大 、差异大 、风险高 | 股票收益率标准差大 → 高风险高收益 |
5.4 实际应用场景
场景A：供应链管理
两家供应商的交货时间（天数）：
- 供应商X：3, 3, 4, 4, 3（均值=3.4，标准差≈0.5）→ 准时稳定
- 供应商Y：1, 5, 2, 6, 3（均值=3.4，标准差≈1.9）→ 波动大，有时早到有时迟到
→ 即使均值相同，标准差小的X供应商更可靠。
场景B：投资分析
两只基金的月收益率：
- 基金A：1%, 1.2%, 0.8%, 1.1%, 0.9%（均值≈1%，标准差≈0.15）→ 稳健型
- 基金B：5%, -3%, 8%, -2%, 4%（均值≈2.4%，标准差≈4.2）→ 波动型
→ 基金B期望收益更高，但风险也更大。
5.5 标准差 vs 均值的结合解读
| 组合 | 解读 | 例子 |
|---|---|---|
| 均值高 + 标准差小 | 高水平且稳定 | 优质供应商、高考重点班 |
| 均值低 + 标准差小 | 低水平但稳定 | 全员表现一般且一致 |
| 均值高 + 标准差大 | 整体水平高但差异大 | 有明星员工也有一般员工 |
| 均值低 + 标准差大 | 整体水平低且波动大 | 不稳定、高风险 |
如何向AI描述：
"计算销售额的标准差，看看波动大不大"
"两个班级的成绩，哪个班更稳定？"
六、分位数（Quantile）
6.1 它是什么？
分位数是将排序后的数据分成若干等份的切割点。它告诉你"百分之多少的数据小于某个值"。
6.2 常见分位数
| 分位数 | 含义 | 通俗说法 |
|---|---|---|
| 25%分位数（Q1） | 25%的数据小于这个值 | 排名后25% |
| 50%分位数（Q2） | 50%的数据小于这个值 | 这正好是中位数 |
| 75%分位数（Q3） | 75%的数据小于这个值 | 排名前25% |
| 90%分位数 | 90%的数据小于这个值 | 前10%的高手 |
| 99%分位数 | 99%的数据小于这个值 | 前1%的顶尖 |
6.3 一个直观的例子
12个学生的考试成绩（排序后）：
55, 60, 65, 70, 75, 80, 82, 85, 88, 90, 92, 95
| 分位数 | 计算 | 解读 |
|---|---|---|
| 25%分位数 | 60-65之间 ≈ 62.5 | 25%的学生低于62.5分 |
| 50%分位数（中位数） | (80+82)/2 = 81 | 一半学生低于81分 |
| 75%分位数 | 88-90之间 ≈ 89 | 75%的学生低于89分 |
6.4 分位数的实用价值
价值1：全面理解分布，不受异常值干扰
只用均值会掩盖分布的真实形状。分位数能告诉你：
- 普通人在什么范围？ → 看25%-75%分位数区间
- 高绩效者有多好？ → 看90%分位数
- 是否存在极端值？ → 看99%分位数与最大值的差距
价值2：发现数据问题和异常
| 观察 | 可能的问题 |
|---|---|
| 25%分位数 = 最小值 | 超过25%的数据等于最小值（可能是默认值） |
| 50%分位数 = 75%分位数 | 大量数据集中在同一个值 |
| 99%分位数远大于75%分位数 | 存在极端高值 |
价值3：群体对比
问题："高价值用户"应该怎么定义？
| 定义方式 | 规则 | 优缺点 |
|---|---|---|
| 绝对阈值 | 消费>10,000元 | 不适合不同地区/产品线 |
| 分位数阈值 | 消费>90%分位数 | 适合定义"头部用户" |
6.5 四分位距（IQR）
IQR = Q3 - Q1，表示中间50%数据的范围。IQR越小，数据越集中；IQR越大，数据越分散。
实用场景：
| 场景 | 用途 |
|---|---|
| 1.5×IQR规则 | 识别异常值：超出(Q1-1.5×IQR, Q3+1.5×IQR) |
| 箱线图 | 可视化数据分布和异常值 |
| 数据波动比较 | IQR比标准差更抗异常值 |
如何向AI描述：
"计算薪资的各分位数：25%、50%、75%、90%、99%"
"用分位数找出top 10%的高价值用户"
七、完整解读案例
7.1 案例一：电商用户消费金额分析
业务背景：某电商平台想要了解用户的消费水平，制定营销策略。
数据：10,000名用户过去一年的消费金额（单位：元）
描述性统计：
| 指标 | 数值 | 解读 |
|---|---|---|
| 均值 | 1,200 | 平均消费1200元 |
| 中位数 | 450 | 一半用户消费低于450元 |
| 标准差 | 3,500 | 消费差异极大 |
| 最小值 | 0 | 有用户未消费 |
| 25%分位数 | 0 | 25%用户没有消费 |
| 50%分位数 | 450 | 中等水平用户 |
| 75%分位数 | 1,200 | 前25%用户消费>1200元 |
| 90%分位数 | 3,800 | top 10%用户 |
| 99%分位数 | 12,000 | 顶级用户 |
| 最大值 | 150,000 | 存在超高消费用户 |
关键洞察：
- 均值(1200) > 中位数(450)：数据右偏，少数高消费用户拉高了平均值
- 75%分位数 = 1200 = 均值：说明前25%用户的平均消费显著高于整体
- 25%分位数 = 最小值：至少25%的用户全年无消费
业务结论：
- 用中位数450元代表"典型用户的消费水平"比均值更准确
- 用户两极分化严重：25%无消费，25%高消费（>1200元）
- 营销策略：唤醒无消费用户，维护高频高消费用户
7.2 案例二：二手车价格分析（基于清洗后的数据集）
业务背景：分析二手车价格的分布特征，为定价模型做准备。
价格数据描述性统计：
| 指标 | 数值（元） | 解读 |
|---|---|---|
| 均值 | 5,923 | 平均价格约6000元 |
| 中位数 | 3,500 | 一半车辆价格低于3500元 |
| 标准差 | 7,505 | 价格差异非常显著 |
| 最小值 | 1,000 | 清理后最低价（原11元已清除） |
| 25%分位数 | 1,500 | 低价车区间 |
| 50%分位数 | 3,500 | 中位价格 |
| 75%分位数 | 7,500 | 中高价位 |
| 90%分位数 | 15,000 | 前10%车辆 |
| 99%分位数 | 45,000 | 高端二手车 |
| 最大值 | 99,999 | 价格上限 |
关键发现：
- 均值 > 中位数：右偏分布，价格分布不对称
- 标准差接近均值：波动极大，定价难度高
- 25%分位点到75%分位点：跨度为1,500-7,500元，中间50%车辆集中在此区间
对建模的启示：
- 目标变量
price右偏 → 建模时可能需要log(price)变换 - 价格跨度大 → 需要丰富特征来捕捉差异
7.3 案例三：发动机功率分布分析
功率数据描述性统计：
| 指标 | 数值（马力） | 解读 |
|---|---|---|
| 均值 | 120 | 平均功率120马力 |
| 中位数 | 110 | 一半车辆功率>110马力 |
| 标准差 | 240 | 波动极大（清洗前） |
| 25%分位数 | 80 | 小功率车型 |
| 50%分位数 | 110 | 主力车型 |
| 75%分位数 | 150 | 大功率车型 |
| 最大值 | 12,000 | ⚠️ 明显异常（清洗时已处理） |
发现：标准差(240)比均值(120)还大，说明存在极端的异常值（如12,000马力的记录），这些已在清洗阶段处理。
八、如何向AI描述描述性统计需求
| 你的需求 | 你应该这样告诉AI |
|---|---|
| 完整统计 | "对数据集的数值列做描述性统计分析" |
| 均值中位数对比 | "计算消费金额的均值和中位数，看看差距大不大" |
| 标准差 | "计算销售额的标准差，看波动大不大" |
| 分位数 | "计算薪资的25%、50%、75%、90%分位数" |
| 分布特征 | "帮我分析价格列的分布特征：是否偏态？有没有异常值？" |
| 业务解读 | "均值远大于中位数说明什么？帮我解释一下" |
九、本章总结
核心指标速记卡
| 指标 | 一句话 | 业务含义 |
|---|---|---|
| 均值 | "平均每个" | 数据集中趋势（对极端值敏感） |
| 中位数 | "一半以上" | 典型值（抗极端值） |
| 标准差 | "波动多大" | 稳定性、风险、差异程度 |
| 分位数 | "排第几" | 位置、排名、分布形状 |
核心原则
- 均值不一定是"典型的"：当数据有极端值时，中位数更靠谱
- 均值 vs 中位数揭示分布形状：相等→对称，更大→右偏，更小→左偏
- 标准差告诉你风险：越大越不稳定
- 分位数给你更完整的画面：从最小值到最大值，了解数据全貌
核心心法
"描述性统计不是算几个数字就完了。真正的价值在于从数字中读出业务故事------均值>中位数说明什么？标准差大意味着什么？分位数告诉我们什么？"
思考题
-
某公司员工年薪数据：均值8万，中位数6万。你向老板汇报"公司年薪平均8万"。老板很满意，但员工觉得自己被代表了。问题出在哪里？
-
两所学校的平均分都是85分，但A校标准差5，B校标准差15。作为家长，你更愿意让孩子去哪所学校？为什么？
-
电商平台双十一的单日销售额是平日的30倍。计算"日销售额标准差"时，这个数据应该包含在内吗？为什么？
-
某城市房价：25%分位数200万，75%分位数800万。这个跨度说明了什么问题？
-
如果你是二手车平台的数据分析师，你发现价格列的均值远大于中位数。这会对你的定价策略产生什么影响？