对于成功的数据分析而言,把握数据整体的性质是至关重要的,使用统计量来检查数据特征,主要是检查数据的集中程度、离散程度和分布形状,通过这些统计量可以识别数据集整体上的一些重要性质,对后续的数据分析,有很大的参考作用。
一,基本统计量
用于描述数据的基本统计量主要分为三类,分别是中心趋势统计量、散布程度统计量和分布形状统计量。
1,中心趋势统计量
中心趋势统计量是指表示位置的统计量,直观地说,给定一个属性,它的值大部分落在何处?
(1)均值
均值(mean)又称算数平均数,描述数据去指导额平均位置,数学表达式:均值 = ∑x / n;
有时,一组数据中的每个值可以和一个权重Wi相关联,权重反映的的是依附值的重要性或出现的频率,这种均值称作加权均值 = ∑xw / n;
尽管均值是描述数据集中心趋势的最有用的统计量,但是,它并非总是度量数据中心的最佳方法,这是因为,均值对极端值(离群点)很敏感。为了抵消少数极端值的影响,我们可以使用截尾均值,截尾均值是指丢弃极端值后的均值。
(2)中位数
对于倾斜(非对称)的数据,能够更好地描述数据中心的统计量是中位数(median),中位数是有序数据值的中间值,中位数可避免极端数据,代表这数据总体的中等情况。例如:从小到大排序,总数是奇数,取中间的数,总数是偶数,取中间两个数的平均数。
(3)众数
众数(mode)是变量中出现频率最大的值,通常用于对定性数据确定众数,例如:用户状态(正常,欠费停机,申请停机,拆机、消号),该变量的众数是“正常”,这种情况是正常的。
2,表示数据离散程度的统计量
度量数据离散程度的统计量主要是标准差和四分位极差。
(1)标准差(或方差)
标准差用于度量数据分布的离散程度,低标准差意味着数据观测趋向于靠