Python 数据分析入门：集中趋势与离散程度

Python 数据分析入门：集中趋势与离散程度

做数据分析时，常遇到几个核心问题：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，实际情况却完全不同？如何判断数据是否稳定？有没有异常值？

这些问题都离不开两个统计学基础概念：集中趋势和离散程度。咱们用一个简单的班级成绩案例，从 0 到 1 学会这些指标，并用 Pandas 完成实战。

先看一个问题：平均分差不多，班级情况就一样吗？

假设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]

很多人第一反应是看平均分。但问题来了：

• 平均分差不多，水平就一样吗？
• 哪个班更稳定？
• 哪个班差距更大？

答案显然不是。A 班成绩比较集中，整体稳定；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。

什么是集中趋势？

集中趋势描述的是数据的'中心位置'。简单理解就是：这组数据大多数值，整体上靠近哪里？

均值（Mean）

平时说的'平均数'。

• 公式：所有数据之和 / 数据个数
• Pandas 写法：df['列名'].mean()
• 特点：最常用、直观，但对异常值敏感。如果数据里有特别大或特别小的值，均值容易被拉偏。

中位数（Median）

排序后位于中间位置的值。

• Pandas 写法：df['列名'].median()
• 特点：不容易被极端值拉偏。如果有异常值（如成绩异常、消费爆发），中位数通常比均值更可靠。

众数（Mode）

出现次数最多的值。

• Pandas 写法：df['列名'].mode()
• 特点：适合看'最常见的水平'。可能有多个众数，也可能没有（如果每个值只出现一次）。

中列数（Midrange）

最大值和最小值的平均值。

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

什么是离散程度？

如果说集中趋势解决的是'大概在什么水平'，那么离散程度解决的就是'差距大不大？稳不稳定？'

极差（Range）

最大值减去最小值。

• Pandas 写法：df['列名'].max() - df['列名'].min()
• 特点：计算最简单，但只看最值，容易受极端值影响。

四分位数（Quartiles）

把数据排序后分成四份的关键位置：

• Q1：25% 位置

• Q2：50% 位置（即中位数）

• Q3：75% 位置

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

• 特点：非常适合观察数据分布情况。

四分位数极差（IQR）

公式：IQR = Q3 - Q1，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。实际分析中非常实用。

方差（Variance）与标准差（Standard Deviation）

分析'波动大小'的经典工具。

• Pandas 写法：df['列名'].var()（方差）、df['列名'].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。实际工作中标准差比方差更常用，因为更容易解释。

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。这段代码涵盖了数据构造、统计描述、可视化等关键步骤。

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()

重点来了：describe() 到底看什么？

很多初学者第一次用 describe()，觉得输出一堆数字不知道重点看哪里。其实盯住这几个字段就够了：

• 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：刚开始学数据分析，看到 describe()，优先看这三类信息：

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

这几个值，已经足够完成一轮基础分析。

结合案例解释结果

运行完代码你会发现：

• A 班成绩集中在 80 多分附近，整体稳定，学生差异不大，表现均衡。
• B 班虽然也有多个 85，但整体差距更大，两极分化明显，有高分也有低分。

这也是为什么在实际分析中，不能只看平均分。B 班的平均值不能完全说明问题，必须结合离散程度一起看。

异常值为什么重要？

真实数据中常遇到'看起来不太正常'的值，比如成绩突然极高/极低、销售某天异常爆发、用户消费出现极端金额。这些可能是真实异常、录入错误或特殊情况。

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。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。

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。

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。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。

给初学者的一个记忆口诀

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。

课后练习

适合课堂或自学，尝试自己写代码验证一下。

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。

总结

这篇文章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

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。