揭秘数字背后的故事：轻松学会数据的描述性统计技巧

在日常生活中，我们经常听到各种数据和统计信息，如GDP、人口数量、房价等。这些数字看似枯燥，但实际上它们蕴含着丰富的信息，能够帮助我们了解世界、做出决策。为了更好地解读这些数字，我们需要掌握一些描述性统计的技巧。本文将带你轻松学会数据的描述性统计，让你成为数据解读的小达人。

一、什么是描述性统计？

描述性统计是统计学的一个分支，主要用来描述数据的特征，如数据的集中趋势、离散程度等。它不涉及数据的因果关系，而是通过一些简单的统计量来描述数据的整体情况。

二、描述性统计的常用指标

1. 集中趋势

集中趋势指标用来描述数据的平均水平，常用的有：

• 均值（平均数）：所有数据加总后除以数据个数。

  
  data = [10, 20, 30, 40, 50]
  mean = sum(data) / len(data)
  print("均值：", mean)
  

• 中位数：将数据从小到大排序后，位于中间位置的数。

  
  data = [10, 20, 30, 40, 50]
  data.sort()
  median = data[len(data) // 2]
  print("中位数：", median)
  

• 众数：数据中出现次数最多的数。

2. 离散程度

离散程度指标用来描述数据的波动情况，常用的有：

• 方差：各数据与均值差的平方的平均数。

  
  data = [10, 20, 30, 40, 50]
  mean = sum(data) / len(data)
  variance = sum([(x - mean) ** 2 for x in data]) / len(data)
  print("方差：", variance)
  

• 标准差：方差的平方根。

  
  data = [10, 20, 30, 40, 50]
  mean = sum(data) / len(data)
  variance = sum([(x - mean) ** 2 for x in data]) / len(data)
  std_dev = variance ** 0.5
  print("标准差：", std_dev)
  

• 极差：最大值与最小值之差。

3. 偏度

偏度指标用来描述数据的分布情况，常用的有：

• 偏度：描述数据分布对称性的指标，正偏度为正值，负偏度为负值。

  
  data = [10, 20, 30, 40, 50]
  mean = sum(data) / len(data)
  variance = sum([(x - mean) ** 2 for x in data]) / len(data)
  std_dev = variance ** 0.5
  skewness = sum([(x - mean) ** 3 for x in data]) / (len(data) * std_dev ** 3)
  print("偏度：", skewness)
  

三、实例分析

假设我们收集了某城市过去一年的房价数据，如下表所示：

我们可以使用描述性统计方法来分析这些数据：

• 均值：3.15（万元/平方米）
• 中位数：3.1（万元/平方米）
• 众数：无
• 方差：0.0195
• 标准差：0.1398
• 极差：1.1（万元/平方米）
• 偏度：0.4167

通过这些指标，我们可以了解到该城市房价的整体水平、波动情况以及分布特征。

四、总结

描述性统计是数据分析的基础，掌握这些技巧可以帮助我们更好地解读数据，发现其中的规律。希望本文能帮助你轻松学会数据的描述性统计，让你在数据分析的道路上越走越远。