数据分析基本概念..docxVIP

第1章 数据分析基本概念 数据与变量的类型 数据是一切可以表示信息的符号，例如数字、文本、日期等等。变量一般表示某个事物的属性，而数据就是变量的具体取值。例如描述一个人的时候，年龄、性别、身高、年收入都是变量，而18岁、30岁是数据，是变量年龄的具体取值。 从数据分析的角度看，变量的类型有： 连续性的变量 比如，身高，体重，化验值等等，可以进行计算。其中一种数据只可以进行加减运算，不能进行乘除运算，我们称之为等距数据，其0值只是相对的，而不是表示没有。例如温度，我们可以说20摄氏度比5摄氏度高出15摄氏度，但不能说多4倍，0摄氏度也是有温度，而不是一点温度都没有了。等比数据是可以四则运算的，其0值有绝对意义。例如网站的日访问量，0访问量就是代表没有人访问，微信上的推送阅读数2000可以说比500多1500，也可以说多4倍，这个倍数是有意义的。 分类变量 其变量值是定性的，表现为互不相容的类别或属性。实际上在调研当中运用最多的就是分类变量，可分为无序变量和有序变量两类。①无序分类变量是指所分类别或属性之间无程度和等级顺序的差别，例如二项分类，性别（男、女），药物反应（阴性、阳性）等。例如多项分类，血型（ O、A、B、AB），职业（工、农、商、学、兵）等。②有序分类变量是指各类别之间有程度的差别。如尿糖化验结果按－、±、+、++、+++分类；疗效按治愈、显效、好转、无效分类。 注意在分析中判断好数据的类型，一种常见的错误就是认为数字就一定代表连续性变量，例如我们可以用1和0表示性别男和女，这里的1和0就不是连续性数据。再例如某问卷调查中，采用五级量表，分别用1到5表示非常不满意、不满意、一般、满意、非常满意的五种态度，这里的1和5就是有序分类变量。 数据的描述 平均数 平均数是指反映一种数据集中趋势的度量，其值是样本中所有数据之和除以样本个数。计算公式为：μ= 中位数 中位数是指数据分布中处于中间位置的数，其可将数值集合划分为相等的上下两部分。对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，通常取最中间的两个数值的 HYPERLINK /view/687354.htm \t _blank 平均数作为中位数。 平均数与中位数比较 一般来说，平均数是被认为最好的数据水平的描述，应用也最为普遍。但是平均数对出现极端值的情况处理不如中位数。如下例： A组年收入数据（1000，4,3,2,1） B组年收入数据（6,4,3,2,1） A的平均数是202，B的平均数是3.2，AB两组的中位数都是3，显然在这种情况中（A组出现极端值），中位数比平均数更能反映一组数据的水平。对于出现极端值的情况，我们可以采取同时计算平均数和中位数的方法来表述数据的水平，也可以采用去除极端值后再计算平均值的方法（较多采用），从而得到相对准确的估计。 有必要提醒的是，对于极端值出现的情况进行细致分析，往往能得到有价值的结果。 四分位数 四分位数是把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。从由小到大的顺序，处在第一个分割点位置的数叫下四分位数，第二个分割点的就是前面介绍的中位数，第三个分割点的就是上四分位数。在一组数据中，有四分之一的数据小于下四分位数，四分之一的数大于上四分位数。 例如数组（2,5,7,8,9,10,12,15,16,17,19,21,22,25,30），下四分位数是8，中位数是15，上四分位数是21。对于四分位数，箱线图可以比较好地反映了数据的分布，典型的箱线图结构如 REF _Ref413742321 \h \* MERGEFORMAT 图 11所示。 图 STYLEREF 1 \s 1 SEQ 图 \* ARABIC \s 1 1：箱线图 标准差 标准差是反映一组数据离散程度的数据度量，在数据分析中具有重要地位，应用非常广发，是各种统计检验的基础。 例如AB两个网站上投放广告在6天的点击率如REF _Ref413743363 \h表 11所示 广告点击率 2014/1/1 2014/1/2 2014/1/3 2014/1/4 2014/1/5 2014/1/6 A网站 45 55 65 75 50 70 B网站 30 6 80 40 200 4 表 STYLEREF 1 \s 1 SEQ 表 \* ARABIC \s 1 1 AB两个网站投放广告6天点击率数据 经过计算，A和B网站6天内的广告点击率的平均数都是600，仅此是否可以得出结论这两个网站的广告投放效果是相同的呢？答案是否定的，从数据上初步观察，B网站上广告点击率数据显然更为分散，而A网站上的广告点击率数据相对更稳定些，从可以看出这一区别： 图 STYLEREF 1 \s 1 SEQ 图