欢迎来到“数据侦探”阶段！

在 CP2（建模实践）中，你经常会面对一大堆杂乱无章的原始数据。在开始构建复杂的公式或模型之前，你必须精确地了解你正在处理的内容。你可以将这一章想象成与数据的“初次见面与交流”。

总结数据的目的是将成千上万行的数字转化为几个关键的洞察。这很重要，因为它能帮助你发现错误、识别趋势，并决定哪种建模方法最合适。如果你的数据是“垃圾”，那么你的模型也会是“垃圾”（这就是著名的 GIGO 原则：Garbage In, Garbage Out，垃圾进，垃圾出！）。

别担心如果你不是统计天才——我们将把它拆解成简单、易于管理的步骤，帮助你在考试中取得好成绩。

1. 描述性统计：“三大”衡量指标

当我们观察一栏数据时，我们想知道“中间”在哪里。我们称之为集中趋势（Central Tendency）。以下是我们衡量它的三种方法：

A. 平均数 (Mean)

即所有数值的总和除以数值的个数。 公式： \( \bar{x} = \frac{\sum x_i}{n} \)
何时使用：当数据呈对称分布（分布均匀）时使用。
陷阱：平均数对离群值（outliers，极值）非常敏感。例如，如果有五个人每人赚 20,000 美元，而一个人赚 1,000,000 美元，即便这个“平均值”并不能代表大多数人，但它看起来会非常高。

B. 中位数 (Median，中间值)

当你将所有数值按从小到大排列时，位于中间的数值。
何时使用：当你的数据呈偏态（skewed）或存在极端离群值（如房价或薪酬）时使用。在这些情况下，它比平均数更能反映“典型”数值。

C. 众数 (Mode，最常见值)

出现频率最高的数值。
何时使用：非常适合用于分类数据（categorical data）（例如：“哪种索赔类型最常见？”）。

快速回顾箱：
• 平均数：对极值敏感。
• 中位数：对极值具有稳健性（Robust）。
• 众数：适合分类数据。

2. 衡量“离散度”：数据有多乱？

单知道平均数是不够的。想象一条平均深度为 4 英尺的河流——如果某个部分有 10 英尺深，你还是可能会溺水！我们需要了解数据的离散程度（dispersion）。

标准差 (Standard Deviation) 与 方差 (Variance)

它们告诉我们数据点平均距离平均值有多远。 标准差公式： \( \sigma = \sqrt{\frac{\sum(x_i - \bar{x})^2}{n}} \)
简单类比：如果班上每个人的考试成绩都是 70%，标准差就是零。如果一半人考 40%，一半人考 100%，平均分仍然是 70%，但标准差会非常高！

全距 (Range) 与 四分位距 (IQR)

• 全距：最大值与最小值之间的差。很简单，但容易受到单一离群值的严重影响。
• 四分位距 (IQR)：第 75 百分位数（上四分位数）与第 25 百分位数（下四分位数）之差。它告诉你数据中中间 50% 的分布范围。

你知道吗？ 在 CP2 中，计算这些统计数据通常是数据验证（Data Validation）的第一步。如果你的“最小年龄”是 -5 或“最大年龄”是 250，那你已经发现数据错误了！

3. 图形化呈现：可视化数据的故事

有时候，一张图表胜过 Excel 中的一千行数据。在 CP2 中，你必须为正确的目的选择正确的图表。

直方图 (Histograms)

它是什么：一种条形图，x 轴代表数值的范围（组距）。
目的：观察数据的分布（distribution）形状。它是钟形（正态分布），还是向一侧倾斜（偏态）？

盒须图 (Box Plots / Box and Whisker)

它是什么：一个显示 IQR 的盒子，中间有一条代表中位数的线，而“须”则显示数据的范围。
目的：非常适合发现离群值并并排比较不同的组别。

散点图 (Scatter Plots)

它是什么：在 X 和 Y 轴上的点。
目的：查看两个变量之间是否存在相关性（correlation）。例如：“索赔金额是否会随着司机年龄的增加而增加？”

折线图 (Line Graphs)

它是什么：由线连接的数据点。
目的：最适合时间序列（Time Series）数据。用它来显示数值随月份或年份的变化情况。

关键要点：不要仅仅因为图表看起来好看就使用它。在你的 CP2 总结文件中，你必须解释为什么选择该图表以及它显示了什么（例如：“散点图显示体重与成本之间存在微弱的正相关性”）。

4. 数据合理性与质量检查

这是“数据准备与分析”部分的核心。你必须向考官证明你已经检查过数据是否合理。

常见的检查项目：
1. 完整性 (Completeness)：是否有空白单元格或“N/A”值？
2. 唯一性 (Uniqueness)：是否有重复的记录（例如：相同的保单号码出现两次）？
3. 范围检查 (Range Checks)：日期是否出现了不该出现的过去或未来时间？数值是否本应为正数却出现了负数？
4. 一致性 (Consistency)：如果一张保单被标记为“已失效 (Lapsed)”，那么“已收保费”一栏是否为零？

数据质量记忆法：尝试 "ACCURATE"
• Accurate（准确）
• Complete（完整）
• Consistent（一致）
• Up-to-date（最新）
• Relevant（相关）
• Authoritative（权威）
• Timely（及时）
• Extended（易于理解）

5. 避免常见错误

• 忽略“零”：有时“0”意味着“未收集数据”，有时则真正代表“零”。未经检查，切勿将它们混为一谈！
• 过度简化：如果你只看平均数，你可能会忽略数据被分为两个截然不同组别的事实（双峰分布）。
• 糟糕的组距划分：在直方图中，如果组距太宽，你会丢失细节；如果太窄，图表看起来就会乱成一团。
• 未加标签：在 CP2 中，没有标题和轴标签的图表会让你轻易丢失分数。

总结：CP2 工作流程
1. 清理 (Clean)：找出空白处和错误。
2. 计算 (Calculate)：获得平均数、中位数、标准差和全距。
3. 可视化 (Visualise)：制作直方图或盒须图以查看分布形状。
4. 验证 (Verify)：问自己：“这些数据对于精算模型来说是否合理？”
5. 记录 (Document)：写下你的发现。如果你删除了 10 行错误数据，你必须在你的审计追踪（audit trail）中说明！

如果这在你开始“建模”之前看起来像繁重的工作，别担心。理解数据是 CP2 战斗中 50% 的部分。一旦你了解了数据，写公式就会变得容易得多！