如何七周成为数据分析师12：解锁数据分析的正确姿势（上）

2017-08-05 09:28 来源:人人都是产品经理 数据分析

原标题：如何七周成为数据分析师12：解锁数据分析的正确姿势（上）

本文是《如何七周成为数据分析师》的第十二篇教程，如果想要了解写作初衷，可以先行阅读七周指南。温馨提示：如果您已经熟悉统计学，大可不必再看这篇文章，或只挑选部分。

当获得一份数据集时，你会怎么做？

立马撩起袖管进行分析么？这不是一个好建议。无数的经验告诉我们，如果分析师不先行了解数据集的质量，后续的推断分析是事倍功半的。

正确的处理方法是先使用描述统计。

什么是描述统计学

它是一种综合概括数据集的方式，包括数据的加工和显示，数据集的分布特征等。它与推断统计相呼应。

在进入统计学习前，先明确基础概念。

数据可以分为分类型数据和数值型数据。分类型数据是识别变量的类型，比如男女、地区、各种类别；数值型数据是表示数值的大小和多少，比如年龄中的18、19、20岁。

最明显的区分是，分类型数据不能使用加减法，而数值型数据可以。两者在一定程度可以互相转换。比如年龄，18岁是数值型数据，但它也可以转换成分类数据「青少年」。我们也能用数值表示分类数据，比如0代表女，1代表男，它依旧没有计算意义，更多是方便计算机存储而已。

分类数据和数值数据的具体应用，会在往后的学习中继续深入，本文先将主要精力放在数值型数据。

数据的度量

平均数是一种数据位置的度量，用以了解整体数据，这是小学就学到的内容。可是平均数并不是一个权威的衡量指标，当我们提到全国平均工资的时候，我们都是被马云爸爸王健林爸爸平均的普通人。

平均数容易受到极值的影响，因为数据集并不能保证「干净」，各类运营数据经常受到扰动，比如薅羊毛党就会拉高营销活动的平均值。一般而言，可以用调整平均数（trimmed mean）消除异常波动，在数据集中删除一定比例的极大值和极小值，开奖，比如5%，然后重新计算平均数。

它既然不靠谱，我们便请出中位数。将所有数据按升序排列后，位于中间的数值即中位数。当数据集是奇数，中位数是中间的数值，当数据集是偶数，中位数是中间两个数的平均值。这也是小学的内容。

另外一种度量是众数，它是数据集出现频次最多的数据，当有多个众数时，称为多众数。众数使用的频率低于前两者，更多用于分类数据。

平均数、中位数、众数构成了标准的衡量方法。但是还不够。

数据分析师常将数据划分为四个部分，每一部分包含25%的数据集，划分的分割点叫做四分位数。

依次将数据升序排列，位于第25%位置的叫做第一四分位数Q1，位于第50%位置的叫做第二四分位数Q2，即中位数，位于第75%的叫做第三分位数Q3。这三个点，能辅助衡量数据的分布状态。

数据的离散和变异

我们考虑一个新的问题，现在一家电商公司要卖两个同类型的商品，它们的一周销量（单位：个）如下：

商品A：10，10，10，11，12，12，12

商品B：3，5，6，11，16，17，19

它们的平均数一样，中位数也一样，可它们的真实情况呢？当然不。作为商品，我们更喜欢销量稳定的。

方差是一种可以衡量数据「稳定性」的度量，更通俗的解释是衡量数据的变异性，从图形上说，也叫离散程度。

方差的计算公式是各个数据分别与其平均数之差的平方和的平均数。

上述公式是总体数据集的方差计算，当数据近为部分抽样样本时，n应该改为n-1。数据集足够大时，两者的误差也可以忽略不计。

现在计算上文商品的方差。Excel中的方差公式为VARP( )，如果是样本数据，则为VAR( )。不同Excel版本，函数会有微小差异。

方差越大，说明数据集的离散程度越大，商品A的销量波动明显比商品B稳定。方差的计算中，因为涉及到了平方和，所以单位的量纲是平方（商品A和B的方差，单位为个^2），它很难有直观的诠释。于是我们又引入标准差。

标准差是方差的开平方:

Excel中，标准差的计算函数为stdevp( )，如果是样本数据，则为stdev( )。