Python 数据分析入门：集中趋势与离散程度实战

Python 数据分析入门：集中趋势与离散程度实战

在做数据分析时，我们经常会遇到这样的问题：

• 一组数据的'平均水平'到底是多少？
• 为什么两组数据均值差不多，但实际情况完全不同？
• 如何判断数据是否稳定，波动大不大？
• 数据里有没有异常值？

这些问题，本质上都离不开两个统计学基础概念：

• 集中趋势
• 离散程度

本文用一个简单的案例——班级成绩分析，带你从 0 到 1 学会这些统计指标，并用 Pandas 完成实战分析。

一、先看一个问题：平均分差不多，班级情况就一样吗？

假设现在有两个班级的数学成绩：

a_scores = [85, 82, 88, 84, 86, 83, 87, 85, 84, 86]
b_scores = [100, 60, 90, 70, 95, 65, 85, 85, 85, 85]

很多人拿到数据后，第一反应就是先看平均分。但问题是：

• 平均分差不多，就说明两个班水平一样吗？
• 哪个班更稳定？
• 哪个班成绩差距更大？

答案显然不是。

A 班成绩比较集中，整体比较稳定；B 班虽然也有高分，但高低差距很大。

这说明：分析数据时，不能只看平均值，还要看数据的分散程度。

二、什么是集中趋势？

集中趋势，就是描述一组数据'中心位置'的指标。你可以简单理解为：这组数据大多数值，整体上靠近哪里？

常见的集中趋势指标有：

• 均值（Mean）
• 中位数（Median）
• 众数（Mode）
• 中列数（Midrange）

1. 均值（Mean）

均值就是我们平时说的'平均数'。

• 计算公式：所有数据之和 / 数据个数
• Pandas 写法：df['A 班'].mean()
• 特点：最常用，最直观；但对异常值敏感。如果一组数据里存在特别大或特别小的值，均值很容易被拉偏。

2. 中位数（Median）

中位数就是把数据排序后，位于中间位置的值。

• Pandas 写法：df['A 班'].median()
• 特点：不容易被极端值拉偏。在有异常值时，通常比均值更可靠。如果你分析的数据可能存在异常值，比如成绩异常、消费异常、销售爆发等，中位数往往比均值更能反映真实水平。

3. 众数（Mode）

众数就是一组数据中出现次数最多的值。

• Pandas 写法：df['A 班'].mode()
• 特点：适合看'最常见的水平'；可能有多个众数；如果每个值都只出现一次，就可能没有众数。比如一组成绩里，85 分出现次数最多，那么 85 就是众数。

4. 中列数（Midrange）

中列数是最大值和最小值的平均值。

• 计算公式：(最大值 + 最小值) / 2
• 特点：计算简单，但受极端值影响较大，一般了解即可，实际分析中不如均值和中位数常用。

三、什么是离散程度？

如果说集中趋势解决的是：'这组数据大概在什么水平？'

那么离散程度解决的就是：'这组数据差距大不大？稳定不稳定？'

常见指标有：

• 极差（Range）
• 四分位数（Quartiles）
• 四分位数极差（IQR）
• 方差（Variance）
• 标准差（Standard Deviation）

1. 极差（Range）

极差是最大值减去最小值。

• 计算公式：max - min
• Pandas 写法：df['A 班'].max() - df['A 班'].min()
• 特点：计算最简单，但只看最值，容易受极端值影响。如果一组数据里有异常值，极差可能会被放大。

2. 四分位数（Quartiles）

四分位数是把数据从小到大排序后，分成四份得到的几个关键位置：

• Q1：25% 位置

• Q2：50% 位置，也就是中位数

• Q3：75% 位置

• Pandas 写法：df['A 班'].quantile([0.25, 0.5, 0.75])

四分位数非常适合用来观察数据分布情况。

3. 四分位数极差（IQR）

IQR 的公式是：IQR = Q3 - Q1。它表示中间 50% 数据的离散程度。

• 特点：比极差更稳定，常用于异常值判断，对极端值不那么敏感。所以在实际分析中，IQR 是一个非常实用的指标。

4. 方差（Variance）与标准差（Standard Deviation）

这两个指标是分析'波动大小'的经典工具。

• Pandas 写法：

  df['A 班'].var()  # 方差
  df['A 班'].std()  # 标准差
  

• 怎么理解？

  • 标准差越小：数据越集中，越稳定
  • 标准差越大：数据越分散，差异越明显

在实际工作中，标准差通常比方差更常用，因为它更容易解释。

四、Pandas 实战：完整代码直接运行

下面直接上完整代码，复制即可运行。

import pandas as pd
import matplotlib.pyplot as plt

# 1. 构造数据
a_scores = [85, 82, 88, 84, 86, 83, 87, 85, 84, 86]
b_scores = [100, 60, 90, 70, 95, 65, 85, 85, 85, 85]
df = pd.DataFrame({'A 班': a_scores, 'B 班': b_scores})

# 2. 查看原始数据
print("=== 原始数据 ===")
print(df)

# 3. 一键统计描述
print("\n=== describe() 统计结果 ===")
print(df.describe())

# 4. 集中趋势
print("\n=== 集中趋势 ===")
print("A 班均值：", df['A 班'].mean())
print("B 班均值：", df['B 班'].mean())
print("A 班中位数：", df['A 班'].median())
print("B 班中位数：", df['B 班'].median())
print("A 班众数：", df['A 班'].mode().tolist())
print("B 班众数：", df['B 班'].mode().tolist())
print("A 班中列数：", (df['A 班'].max() + df['A 班'].min()) / 2)
print("B 班中列数：", (df['B 班'].max() + df['B 班'].min()) / 2)

# 5. 离散程度
print("\n=== 离散程度 ===")
print("A 班极差：", df['A 班'].max() - df['A 班'].min())
print("B 班极差：", df['B 班'].max() - df['B 班'].min())
print("A 班方差：", df['A 班'].var())
print("B 班方差：", df['B 班'].var())
print("A 班标准差：", df['A 班'].std())
print("B 班标准差：", df['B 班'].std())

# 6. 四分位数和 IQR
a_q1 = df['A 班'].quantile(0.25)
a_q2 = df['A 班'].quantile(0.5)
a_q3 = df['A 班'].quantile(0.75)
a_iqr = a_q3 - a_q1
b_q1 = df['B 班'].quantile(0.25)
b_q2 = df['B 班'].quantile(0.5)
b_q3 = df['B 班'].quantile(0.75)
b_iqr = b_q3 - b_q1

print("\n=== 四分位数与 IQR ===")
print(f"A 班：Q1={a_q1}, Q2={a_q2}, Q3={a_q3}, IQR={a_iqr}")
print(f"B 班：Q1={b_q1}, Q2={b_q2}, Q3={b_q3}, IQR={b_iqr}")

# 7. 盒图可视化
df.boxplot()
plt.title("A 班与 B 班成绩盒图")
plt.ylabel("分数")
plt.show()

五、重点来了：describe() 到底看什么？

很多初学者第一次用 describe()，会觉得输出一堆数字，不知道重点看哪里。其实重点就盯住这几个字段：

• mean：均值
• 50%：中位数
• std：标准差
• min / max：最小值和最大值
• 25% / 75%：Q1 和 Q3

一个简单经验

如果你刚开始学数据分析，看到 describe()，优先看这三类信息：

1. 看中心：mean, 50%
2. 看波动：std, max - min
3. 看分布：25%, 75%

这几个值，已经足够完成一轮基础分析。

六、结合案例解释结果

运行完代码后，你通常会发现：

• A 班成绩集中在 80 多分附近
• B 班虽然也有多个 85，但整体差距更大
• B 班的极差和标准差通常会更大

这说明：

A 班

• 整体稳定
• 学生成绩差异不大
• 班级表现比较均衡

B 班

• 两极分化更明显
• 有高分，也有低分
• 平均值不能完全说明问题

这也是为什么在实际分析中，不能只看平均分。

七、异常值为什么重要？

在真实数据中，经常会遇到一些'看起来不太正常'的值，比如：

• 成绩里突然出现一个特别高或特别低的数
• 销售数据里某一天异常爆发
• 用户消费数据里出现极端金额

这些值可能是真实异常、录入错误或特殊情况。因此，分析数据时一定要关注异常值，因为它会直接影响均值、极差、标准差等指标。

对于异常值，常见的一种判断方式是利用四分位数极差 IQR：

下界 = Q1 - 1.5 * IQR
上界 = Q3 + 1.5 * IQR

超出这个范围的数据，通常可以视为异常值。

八、学习这部分内容，最容易踩的坑

坑 1：只看均值，不看标准差

这是初学者最常见的问题。均值只能说明平均水平，不能说明稳定性。

坑 2：看到中位数和均值差不多，就觉得数据没问题

不一定。有时候数据虽然中位数和均值接近，但极差、IQR、标准差可能已经说明波动很大。

坑 3：不会解读 mode()

mode() 返回的是一个序列，不一定只有一个值。比如 print(df['A 班'].mode()) 可能返回多个众数，这是正常现象。

坑 4：把方差和标准差混为一谈

记住一句话：方差是'平方后的离散程度'，标准差是方差开根号后得到的，更容易解释。实际分析中，标准差更常用。

九、这部分知识在数据分析里有什么用？

别看它只是'统计描述'，其实它是后面很多内容的基础。比如：

• 数据清洗
• 异常值检测
• 数据可视化
• 聚类分析
• 建模前的数据理解

也就是说，如果你连均值、中位数、标准差都看不懂，后面做更复杂的数据分析会非常吃力。

十、给初学者的一个记忆口诀

这部分我建议直接记成下面这 4 句话：

1. 均值看平均，但怕异常值。
2. 中位数更稳，适合有极端值的数据。
3. 标准差越大，波动越大。
4. 分析数据时，中心和离散要一起看。

十一、课后练习（适合课堂 / 自学）

练习 1：基础题

已知一组成绩数据：

scores = [72, 75, 78, 80, 85, 85, 86, 90, 92, 95]

请完成：

1. 计算均值、中位数、众数
2. 计算极差、方差、标准差
3. 计算 Q1、Q2、Q3 和 IQR
4. 用一句话描述这组数据的特点

练习 2：提高题

加入一个异常值：

scores = [72, 75, 78, 80, 85, 85, 86, 90, 92, 150]

请思考：

1. 均值变化大吗？
2. 中位数变化大吗？
3. 哪个指标更适合描述这组数据？
4. 能否认为 150 是异常值？

练习 3：迁移题

请把'成绩数据'换成你熟悉的业务数据，例如：

• 某店铺近 10 天销售额
• 某班学生 10 次上机时长
• 某宿舍 10 天用电量

要求：

• 使用 Pandas 完成统计描述
• 输出 describe()
• 分析集中趋势和离散程度
• 尝试绘制盒图

十二、总结

这篇文章我们解决了一个非常基础但非常重要的问题：一组数据到底该怎么快速读懂？

答案就是两步：

• 看集中趋势：判断整体水平
• 看离散程度：判断波动大小

本文重点讲了这些常用指标：均值、中位数、众数、中列数、极差、四分位数、IQR、方差、标准差。这些内容是数据分析中的基础能力，也是后续数据清洗、异常值识别和可视化分析的起点。