Single variable data

欢迎来到数据的世界！

你有没有想过公司是如何决定销售哪些产品，或者科学家是如何证明一种新药有效？这一切都始于单变量数据（Single Variable Data）。在本章中，我们不仅仅是处理数字；我们将学习如何讲述这些数字背后的“故事”。无论你是数学天才，还是对数字感到有点畏惧，都别担心！我们会把所有内容拆解成简单易懂的片段。

1. 数据可视化：图表的威力

在进行任何计算之前，我们需要先看看数据的样貌。OCR 课程大纲要求你能够解读几种不同类型的图表。每一种图表都有其独特的“超能力”。

你需要掌握的关键图表：

1. 垂直线图与点图（Vertical Line Charts & Dot Plots）：非常适合用于小型数据集，让你清晰看到每一个单独的数据点。
2. 条形图（Bar Charts）：最适合处理分类（categorical）数据（例如眼睛颜色或最喜欢的披萨配料）。
3. 茎叶图（Stem-and-Leaf Diagrams）：它们非常独特，因为它们既能展示数据的分布形态，又保留了原始数值。记住，看图时一定要先找图例（Key）！
4. 盒须图（Box-and-Whisker Plots）：它们展示了“五数概括”（最小值、下四分位数、中位数、上四分位数和最大值）。这是比较两组不同数据并排分析的最佳工具。
5. 累积频数图（Cumulative Frequency Diagrams）：用于估算分组数据的中位数和四分位数。

直方图（图表界的“大佬”）

直方图看起来像条形图，但它们其实不一样！在直方图中，长条的面积代表的是频数（Frequency），而不仅仅是高度。

黄金法则： \( \text{Frequency} = \text{Class Width} \times \text{Frequency Density} \)

类比： 想象这些长条是大小不同的容器。要了解里面装了多少“水”（频数），你需要同时考虑容器的宽度（组距）和水位的高度（频数密度）。

快速复习：我该用哪种图表？
• 若要保留原始数值：茎叶图。
• 若要比较数据的分散程度：盒须图。
• 若处理分组的连续数据：直方图。

2. 集中趋势度量（寻找“中间值”）

这部分是关于如何找出数据中的“典型”值。

• 平均数（Mean, \(\bar{x}\)）：算术平均值。 \( \bar{x} = \frac{\sum x}{n} \)。
• 中位数（Median）：将数据排序后位于中间的数值。它对极端值有“抗干扰性”（即使有一个数值大得离谱，也不会影响它）。
• 众数（Mode）：出现次数最多的数值。

记忆小撇步：
• MOde（众数）就是出现最 MOst（频繁）的数值。
• MEdian（中位数）就是在 MIddle（中间），就像马路中间的隔离带。
• 平均数（Mean）最“mean”（刻薄），因为它总是让你做最多的计算！

3. 分散度度量（变异性）

只知道平均值是不够的。我们还需要知道数据是集中在一起，还是像一团乱麻般散开！

四分位数与四分位距（IQR）

四分位数将你的数据分成四个相等的部分。
• 下四分位数（Lower Quartile, \(Q_1\)）：位于数据排序的 25% 位置。
• 上四分位数（Upper Quartile, \(Q_3\)）：位于数据排序的 75% 位置。
• 四分位距（IQR, \(Q_3 - Q_1\)）：这能告诉你中间 50% 的数据有多分散。它排除了两端那些极端的“怪异”数值。

方差与标准差

这些度量更高级。它们会观察每一个数据点，看看它们平均距离平均数有多远。

标准差（Standard Deviation, \(\sigma\)）：这是“均方根偏差”。基本上，它就是距离平均数的平均距离。低标准差意味着数据很稳定；高标准差意味着数据非常分散。

公式（别惊慌！）：

对于一组原始数据：
\( \sigma = \sqrt{\frac{\sum (x - \bar{x})^2}{n}} \) 或更简单的版本： \( \sigma = \sqrt{\frac{\sum x^2}{n} - \bar{x}^2} \)

专业建议： 学会使用计算器的统计模式（Statistics Mode）！OCR 考试期望你能利用计算器快速得出这些数值。

关键结论： 当数据稳定时，同时使用平均数与标准差。如果你的数据中存在会将平均数“拉偏”的极端值，则改用中位数与四分位距（IQR）。

4. 极端值与数据清理

有时候，数据中会包含错误或非常奇怪的数值，称为极端值（Outliers）。你不能只凭感觉随意忽略它们；你需要遵循数学规则！

如何识别极端值（OCR 定义）：

一个数值通常被视为极端值，如果：
1. 它与最近的四分位数的距离超过 1.5 × IQR。
（例如：大于 \(Q_3 + 1.5 \times \text{IQR}\) 或小于 \(Q_1 - 1.5 \times \text{IQR}\)）
2. 它与平均数的距离超过 2 × 标准差。
（例如：大于 \(\bar{x} + 2\sigma\) 或小于 \(\bar{x} - 2\sigma\)）

数据清理

数据清理涉及处理缺失值、错误或极端值。如果某个数值显然是错误的（例如某人的年龄被记录为 200 岁），我们就必须将其剔除。这至关重要，因为“垃圾进，垃圾出（Garbage In = Garbage Out!）”！

你知道吗？ 对于真正的数据科学家来说，数据清理可能占用了他们 80% 的工作时间！实际计算最终答案反而只是其中很小的一部分。

5. 比较分布

在考试中，你经常会被要求“比较这两组数据”。要获得满分，你必须结合数据值，针对以下两点进行评论：

1. 集中趋势度量：比较中位数或平均数。（例如：“A 组的中位数高于 B 组，显示 A 组的平均表现较好。”）
2. 分散度度量：比较四分位距（IQR）或标准差。（例如：“B 组的四分位距较小，意味着他们的结果比 A 组更稳定。”）

避免常见错误：千万不要只是列出数字。你必须在问题的具体情境下进行解读（例如，谈论“考试分数”或“植物高度”，而不仅仅是“数据”）。

总结：关键重点

• 直方图：面积 = 频数。检查你的频数密度！
• 标准差：反映数据的稳定性。记得善用你的计算器。
• 极端值：使用 \(1.5 \times \text{IQR}\) 规则或 \(2\sigma\) 规则来证实某个值是否为极端值。
• 数据比较：永远要在特定情境下，同时讨论平均值与分散程度。

如果起初觉得公式很多，别担心。当你练习越多“阅读”图表，这些概念就会变得越来越自然。你一定可以的！