拿到一份新数据，想先摸清楚："大概是什么水平"，"波动大不大"，"有没有离谱的异常值"等。
很多人的第一反应是打开 Python，import pandas，read_csv，然后 describe()。
这当然没错，但为了几个数字去起一次环境、读一次文件，链路有点长------尤其当数据还躺在服务器上，或者你只是想瞄一眼的时候。
这些描述性统计信息，我们直接用系统自带的命令行工具也能直接算出来。cut 取列、sort 排序、uniq 计数、awk 做算术，四个工具拼起来基本覆盖日常九成的探查需求。
它们在 Linux、macOS、WSL 上全都现成可用，不用装任何东西，处理大文件时也不用先把整个文件读进内存。
下面用一份"每日学习打卡记录"做例子，从造数据开始，演示如何用命令行来把描述性统计要回答的三类问题跑一遍。
1. 先把数据准备好
示例数据直接模拟生成，省得去网络上下载寻找了。
下面这段直接粘进终端执行，会在当前目录生成一个 study.csv，记录 15 天的学习打卡情况：
bash
cat > study.csv << 'EOF'
date,minutes,problems,accuracy
2024-03-01,45,12,66.7
2024-03-02,60,18,72.2
2024-03-03,30,8,62.5
2024-03-04,90,25,80.0
2024-03-05,45,12,75.0
2024-03-06,120,30,86.7
2024-03-07,75,20,78.5
2024-03-08,30,9,55.6
2024-03-09,60,15,73.3
2024-03-10,45,12,70.0
2024-03-11,90,22,81.8
2024-03-12,60,16,76.5
2024-03-13,150,28,88.0
2024-03-14,45,11,68.2
2024-03-15,75,19,79.5
EOF四个字段：日期、当天学习分钟数、做题数、正确率。
后面所有命令都基于它，主要盯第 2 列 minutes。
2. 动手之前，先确认数据长什么样
任何分析开始之前，有两件事必须先确认：一共多少条数据，以及字段顺序是不是你想的那样。
跳过这一步，后面算出来的数字再漂亮也可能是错的。
bash
wc -l study.csv # 16 ------ 减掉 1 行表头，实际 15 条记录
head -n 5 study.csv # 预览前 5 行，确认列含义
cut -d',' -f2 study.csv | tail -n +2 # 抽第 2 列，tail -n +2 跳过表头
这里出现了本文最常用的一个组合：cut -d',' -f2 用逗号切分取第 2 列，tail -n +2 从第 2 行开始输出、把表头丢掉。
所有统计量几乎都是在这一串后面接一个 awk 完成的，整条链路长这样：
值得留意的是管道每一段都只做一件事，所以结果不对的时候，把管道截断、单独跑前几段就能快速定位是取错列了还是表头没去掉。
3. 第一类问题：数据一般落在哪
描述性统计本质上是回答三个问题，第一个是"这份数据一般落在什么位置"，对应均值、中位数、众数三个数。
均值最直观，就是累加之后除以条数，用 awk 的 END 块在读完所有行之后统一输出：
bash
cut -d',' -f2 study.csv | tail -n +2 | awk '{s+=$1; n++} END {print "Mean:", s/n}'
# Mean: 68中位数要先排序再取中间位置，所以比均值多一个 sort -n（按数值排序，不是按字典序）。
核心是排序后存进数组，奇数条取正中、偶数条取中间两个的平均：
bash
cut -d',' -f2 study.csv | tail -n +2 | sort -n | awk '{a[NR]=$1; n=NR}
END {if (n%2) print "Median:", a[(n+1)/2];
else print "Median:", (a[n/2]+a[n/2+1])/2}'
# Median: 60众数靠 uniq -c 统计重复值出现次数，再按次数倒序取第一行：
bash
cut -d',' -f2 study.csv | tail -n +2 | sort -n | uniq -c | sort -rn | head -n 1
# Mode: 45（出现 4 次）三个数摆在一起就有意思了：均值 68，中位数 60，众数 45。
均值明显高于中位数，是因为 3 月 6 日和 13 日那两天冲刺了 120 和 150 分钟，把平均值往上抬了------这就是均值对极端值敏感的典型表现。
如果你只想描述"典型的一天"，看中位数；如果要算总量、做预算，才用均值。
看到两者差得多，基本就能断定数据里有长尾。
4. 第二类问题：波动有多大
知道中心位置之后，下一个问题是数据散得有多开。
最省事的是极差，awk 一趟扫描就能同时拿到最小最大值：
bash
awk -F',' 'NR==2 {mn=$2; mx=$2}
NR>2 {if ($2<mn) mn=$2; if ($2>mx) mx=$2}
END {print "Min:", mn, "Max:", mx}' study.csv
# Min: 30 Max: 150极差只有两个数，容易受异常值支配，所以更常用的是标准差。
命令行里不用真的去算每个值的偏差，用平方和公式一趟搞定：
bash
# 总体标准差：sqrt(Σx²/n − 均值²)
awk -F',' 'NR>1 {s+=$2; q+=$2*$2; n++}
END {m=s/n; print sqrt(q/n - m*m)}' study.csv # 32.34
# 样本标准差：贝塞尔校正，除以 n−1
awk -F',' 'NR>1 {s+=$2; q+=$2*$2; n++}
END {print sqrt((q - s*s/n)/(n-1))}' study.csv # 33.48这两个的区别值得记住：你这 15 天就是全部研究对象时用总体版本（除以 n）；这 15 天只是从更长时间里抽出来的样本、想估计总体波动时用样本版本（除以 n−1）。
日常记打卡、看监控，绝大多数情况都属于后者。
方差就是标准差的平方，把 sqrt 去掉即可，这份数据是 1046。
标准差 32 分钟放在均值 68 旁边，说明波动相当剧烈：差不多有均值的一半。
单看"平均每天学 68 分钟"会以为自己很稳定，加上这个数才能看出其实是"有时 30 分钟、有时 150 分钟"。
5. 第三类问题：什么形状，指标之间有没有联动
前两类都在描述单个指标，第三类要看分布的形状，以及两个指标之间的关系。
分位数是最实用的形状描述工具。排序后按位置取值，就能拿到 Q1、Q2、Q3：
bash
cut -d',' -f2 study.csv | tail -n +2 | sort -n | awk '{a[NR]=$1; n=NR}
END {print "Q1:", a[int((n+1)/4)],
"Q2:", a[int((n+1)/2)],
"Q3:", a[int(3*(n+1)/4)]}'
# Q1: 45 Q2: 60 Q3: 90把位置公式里的系数换成一个变量，就变成任意百分位。
位置落在两个数之间时按比例插值，比直接取整更准：
bash
P=90
cut -d',' -f2 study.csv | tail -n +2 | sort -n | awk -v p=$P '{a[NR]=$1; n=NR}
END {pos=(n+1)*p/100; i=int(pos); f=pos-i
print "P"p":", a[i] + f*(a[i+1]-a[i])}'
# P90: 132P90 = 132 的读法是"九成的日子学习时长在 132 分钟以内"。
换成运维场景，这就是 P99 响应时间；换成销售场景，就是头部 10% 订单的门槛。
最后看两个指标之间的关系。
多列同时求均值只是多开几个累加器，而皮尔逊相关系数把协方差除以两个标准差的乘积，就能得到 -1 到 1 之间的联动强度：
bash
awk -F', *' 'NR>1 {x[NR-1]=$2; y[NR-1]=$3; sx+=$2; sy+=$3; n++}
END {mx=sx/n; my=sy/n
for (i=1;i<=n;i++) {dx=x[i]-mx; dy=y[i]-my
cov+=dx*dy; vx+=dx*dx; vy+=dy*dy}
print "Correlation:", (cov/n)/(sqrt(vx/n)*sqrt(vy/n))}' study.csv
# Correlation: 0.9505学习分钟数和做题数的相关系数是 0.95，接近 1，说明两者几乎同步变化------多花时间确实多做题，没有什么"耗时长但产出低"的日子。
注意相关不等于因果，它只能告诉你两个指标一起动，不能说明谁导致谁。
6. 补充说明
最后再强调下命令行定位的问题。
命令行这套东西是拿来做快速探查和数据校验的：拿到文件先看一眼量级、范围、分布有没有明显异常，几秒钟就有结论。
真正要做建模、画图、跑假设检验，还是回到 Python 和 R 更合适。
两者不是替代关系------先命令行摸清数据长什么样，再决定后面用什么方法处理它，这条顺序通常更省时间。