数据分析 第二篇：数据特征分析（统计量分析）

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W_i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近均值，高标准差表示数据散步在一个大的值域中。

（2）四分位极差

极差（range），也称作值域，是一组数据中的最大值和最小值的差， range = Max - Min。