四、数据描述与可视化：频数分布、集中趋势、离散程度、图表制作与解读
数据描述与可视化是统计分析的基石。当我们面对一组原始数据时，往往难以直接洞察其规律。本章将系统讲解如何通过频数分布对数据进行初步整理，如何利用集中趋势与离散程度指标精确刻画数据的典型水平与波动特征，以及如何借助图表直观呈现数据背后的信息。掌握这些工具，是后续进行参数估计与假设检验的前提。
4.1 频数分布：数据整理的第一步
核心原理
频数分布（Frequency Distribution）是将原始数据按照一定规则分组后，统计各组内观测值出现的次数（频数）或占比（频率）。其本质是对数据进行降维整理，使杂乱无章的原始数据呈现出清晰的分布形态。对于连续型变量，通常采用组距分组；对于离散型变量，可采用单变量值分组。
| 分组类型 | 适用变量 | 示例 | 注意事项 |
|---|---|---|---|
| 单变量值分组 | 离散变量且取值较少 | 家庭子女数：0,1,2,3 | 每个取值一组，不重叠 |
| 组距分组 | 连续变量或取值较多 | 收入：0-5000, 5000-10000 | 组数适中（5-15组），组距相等 |
| 不等距分组 | 数据分布极不均匀 | 人口年龄：0-14, 15-64, 65+ | 需注意频率密度计算 |
操作流程
- 排序数据：将原始数据按升序排列，找出最小值与最大值。
- 确定组数：经验公式 k ≈ 1 + 3.322·log₁₀(n)，n为样本量。
- 计算组距：组距 = (最大值 - 最小值) / 组数，通常取整为便于理解的数值。
- 划分组限：遵循“不重不漏”原则，通常采用左闭右开区间 [a, b)。
- 统计频数：逐一计数各组观测值个数，计算频率与累计频率。
5.2, 6.8, 7.5, 8.1, 8.4, 9.0, 9.3, 9.8, 10.2, 10.5, 10.8, 11.0, 11.3, 11.6, 12.0, 12.2, 12.5, 12.8, 13.1, 13.5, 13.8, 14.2, 14.6, 15.0, 15.5, 16.2, 17.0, 18.5, 20.0, 22.0
最小值5.2，最大值22.0，极差16.8。取组数6，组距3千元。分组结果：5-8千元（3人）、8-11千元（6人）、11-14千元（8人）、14-17千元（6人）、17-20千元（4人）、20-23千元（3人）。可见月薪集中在11-14千元区间，分布呈右偏形态。
4.2 集中趋势：数据的中心位置
核心原理
集中趋势（Central Tendency）反映一组数据的典型水平或中心位置。最常用的三个指标是均值、中位数和众数。均值利用全部数据信息，数学性质优良；中位数仅依赖位置，抗极端值干扰；众数反映最常见取值，适用于分类数据。
| 指标 | 定义 | 计算公式 | 优点 | 缺点 |
|---|---|---|---|---|
| 均值 | 所有观测值之和除以个数 | x̄ = Σxᵢ/n | 数学性质好，抽样稳定性高 | 受极端值影响大 |
| 中位数 | 排序后位于中间位置的数值 | n为奇数：x(n+1)/2；n为偶数：[xn/2+x(n/2+1)]/2 | 抗极端值，适用于偏态分布 | 未充分利用数据信息 |
| 众数 | 出现次数最多的数值 | — | 可用于分类数据 | 可能不存在或不唯一 |
判断方法
当数据呈对称分布时，均值=中位数=众数；右偏分布时，均值>中位数>众数；左偏分布时，均值<中位数<众数。在实际应用中，若数据存在明显极端值或呈偏态分布，应优先报告中位数；若数据近似正态，均值是最佳选择。
均值 = (55+62+68+70+72+75+78+80+85+95)/10 = 74.0分
中位数 = (72+75)/2 = 73.5分
众数：无（所有分数均出现一次）
若将95分改为150分（录入错误），均值变为79.5分，中位数仍为73.5分。可见中位数对异常值不敏感，适合作为数据质量校验的参考指标。
4.3 离散程度：数据的波动特征
核心原理
离散程度（Dispersion）描述数据分布的分散程度或变异大小。仅报告集中趋势不足以全面刻画数据特征——两组数据可能有相同均值，但一组紧密聚集，另一组分散广阔。常用指标包括极差、方差、标准差和变异系数。
| 指标 | 公式 | 特点 | 适用场景 |
|---|---|---|---|
| 极差 | R = Max - Min | 计算简单，但仅利用两个极端值 | 快速初步判断 |
| 总体方差 | σ² = Σ(xᵢ-μ)²/N | 所有离差平方的平均 | 总体数据 |
| 样本方差 | s² = Σ(xᵢ-x̄)²/(n-1) | 分母为n-1，无偏估计 | 样本推断总体 |
| 标准差 | s = √s² | 与原数据同量纲，最常用 | 描述波动、计算标准误 |
| 变异系数 | CV = s/x̄ × 100% | 无量纲，可比较不同量纲数据 | 跨组比较 |
操作流程
- 计算均值 x̄。
- 计算每个观测值与均值的离差 xᵢ - x̄。
- 将离差平方后求和。
- 除以 (n-1) 得到样本方差。
- 开平方得到标准差。
A线均值=10.000mm，标准差≈0.012mm；B线均值=10.000mm，标准差≈0.105mm。两条线均值相同，但A线波动远小于B线，A线工艺稳定性更优。若仅报告均值，会掩盖B线质量波动大的问题。
4.4 图表制作与解读
核心原理
数据可视化是将统计指标转化为图形语言的过程。好的图表能快速传达数据分布、趋势和异常。常用图表包括：直方图（连续变量分布）、条形图（分类变量比较）、箱线图（分布形态与异常值）、散点图（两变量关系）。
| 图表类型 | 适用数据类型 | 核心用途 | 解读要点 |
|---|---|---|---|
| 直方图 | 连续变量（分组后） | 观察分布形态、对称性、偏态 | 关注组距是否一致、峰值位置 |
| 条形图 | 分类变量 | 比较各类别频数或均值 | 条宽相等，条高代表数值 |
| 箱线图 | 连续变量（分组比较） | 展示中位数、四分位数、异常值 | 箱体长度反映IQR，须线延伸至非异常值范围 |
| 散点图 | 两个连续变量 | 观察相关关系与趋势 | 注意异常点、非线性模式 |
操作流程
- 明确目标：确定要传达的核心信息（分布？比较？关系？）。
- 选择图表：根据数据类型和分析目的匹配图表类型。
- 绘制图表：使用统计软件（Excel、R、Python等）生成图形。
- 优化细节：添加标题、轴标签、图例，调整颜色与比例。
- 解读验证：从图中提取结论，并与数值指标交叉验证。
A药组：12, 15, 18, 20, 22, 25, 28, 30, 32, 35
B药组：8, 10, 14, 16, 18, 20, 22, 24, 26, 42
绘制箱线图发现：A药组中位数=23.5，IQR=12，无异常值；B药组中位数=19，IQR=10，但存在一个极端值42。进一步检查发现该患者同时服用了其他药物，属于方案外情况。剔除该异常值后，B药组中位数变为18，IQR=8。结论：A药降压效果更稳定且整体更优。此案例说明，图表能快速暴露异常值，引导分析方向。
4.5 综合应用与复盘
在实际统计分析中，数据描述与可视化是一个整体流程：先通过频数分布了解数据大致形态，再计算集中趋势与离散程度指标进行精确刻画，最后用图表辅助展示和验证。三个步骤相互印证，缺一不可。
分析过程：① 均值>中位数，确认右偏；② 标准差较大，说明家庭间食品支出差异明显；③ 异常家庭可能为多代同堂或高收入家庭。
操作步骤：先剔除异常值重新计算（均值=27.2，标准差=6.8），再分组比较不同收入阶层家庭的支出差异。
结果对比：剔除异常值后，数据分布更集中，统计推断更稳健。
复盘经验：描述统计不能只报告一个指标，应结合分布形态、异常值情况综合判断；图表是发现问题的“雷达”，数值指标是精确描述的“标尺”。
掌握数据描述与可视化技术，是中级统计师的基本功。在实际工作中，应养成“先画图、再算数、后结论”的良好分析习惯，确保统计结论既有数值支撑，又有图形佐证。