欢迎来到单变量数据探索！
你好！欢迎来到 Exam PA 之旅最关键的起步阶段之一。在我们构建华丽的预测模型之前，必须先了解我们的数据。将单变量数据探索（Univariate Data Exploration）想象成与数据集进行的“第一次约会”——你只需要一次针对一个变量（"uni" 意为单一）来了解基本事实。完成本章后，你将学会如何总结和可视化个别变量，从而发现其中的规律、错误或惊喜。
如果你还不是数学天才也不用担心。我们会将所有内容拆解成简单的部分，并附上大量示例！
1. 分类数据 vs. 数值数据：两大类别
在进行任何分析前，我们必须先确认手头上的数据类型。在精算领域中，数据通常分为两大类别：
分类数据 (Categorical / Qualitative Data)
这类数据是标签或名称。你无法对它们进行数学运算（例如，你不能将“红色”+“蓝色”相加）。
- 名义数据 (Nominal)： 没有自然顺序的类别（例如：性别、居住地、汽车颜色）。
- 顺序数据 (Ordinal)： 具有特定顺序的类别（例如：教育程度：高中、学士、硕士）。
数值数据 (Numeric / Quantitative Data)
这类数据是代表测量或计数的数字。
- 离散数据 (Discrete)： 可数的数字（例如：索赔次数、子女数目）。
- 连续数据 (Continuous)： 在一定范围内可取任何值的数据（例如：索赔金额、保单持有人年龄）。
快速复习： 如果你能计算出一个有意义的平均值，它很可能是数值数据。如果你是将事物归类为不同的“类型”，那么它就是分类数据。
2. 探索分类数据
由于我们无法计算颜色或地区的“平均值”，我们会使用频率（frequencies）来探索分类数据。
频率表 (Frequency Tables)
这仅仅是计算每个类别出现的次数。我们通常也会查看相对频率 (Relative Frequency)，即各类别占总数的百分比。
使用条形图 (Bar Charts) 可视化
条形图在这里是你最好的帮手。每个条形代表一个类别，条形的高度则代表该类别的计数或百分比。
示例： 一张显示按“地区”（北、南、东、西）销售保单数量的条形图。如果“北部”的条形高度是“南部”的两倍，你立刻就能看出业务集中在哪里。
常见错误： 不要把条形图和直方图（Histogram）搞混了！条形图的条形之间有间隙，因为类别是离散的；而直方图没有间隙，因为数据是连续的。
3. 探索数值数据：集中趋势 (Central Tendency)
我们想知道数据的“中心”在哪里。主要有三种测量方式：
- 平均值 (Mean)： 算术平均数。将所有数值加总后除以个数。
\( \bar{x} = \frac{\sum x_i}{n} \) - 中位数 (Median)： 将数据排序后的中间值。如果数据存在极端值 (outliers)，中位数通常比平均值更能代表“典型”情况。
- 众数 (Mode)： 出现频率最高的数值。
现实生活类比： 想象房间里有 10 个年薪 5 万美元的人。这时，一位亿万富翁走了进来。平均值薪水会飙升，让每个人看起来都很富有。然而，中位数（中间那位的薪水）几乎完全不变。这就是为什么我们说中位数对极端值具有稳健性 (robust)！
4. 探索数值数据：离散程度 (Dispersion / Spread)
只知道中心还不够，我们还需要知道数据是紧密聚集还是分散的。
变异数与标准差 (Variance and Standard Deviation)
这些指标用于衡量数据点平均偏离平均值的程度。
- 变异数 (\( \sigma^2 \))： 数据点偏离平均值后的平方差的平均值。
- 标准差 (\( \sigma \))： 变异数的平方根。它的单位与原始数据相同（例如：美元），因此更易于解读。
五数概括与四分位距 (Five-Number Summary and IQR)
这是观察数据分散程度，而不受极端值干扰的好方法：
- 最小值 (Minimum)
- 第一四分位数 (Q1 - 第 25 百分位数)
- 中位数 (Q2 - 第 50 百分位数)
- 第三四分位数 (Q3 - 第 75 百分位数)
- 最大值 (Maximum)
四分位距 (IQR)： \( Q3 - Q1 \)。它告诉你数据中“中间 50%”的范围。
5. 分布形状 (Shape of the Distribution)
当你查看数据图表时，它的“轮廓”长什么样子？
偏度 (Skewness)
偏度告诉我们数据的对称性。
- 右偏 (Right Skewed / Positive Skew)： “尾巴”指向右侧。大多数数值较小，但少数极大的数值将平均值拉向右侧。（示例：保险索赔金额——大多数很小，但少数金额巨大！）
- 左偏 (Left Skewed / Negative Skew)： “尾巴”指向左侧。（示例：退休年龄——大多数人年纪较大，但少数人很年轻就退休。）
- 对称 (Symmetric)： 左侧和右侧是镜像关系（如常态分布）。
记忆小撇步： “尾巴指明方向”。如果长长的细尾巴在右边，就是右偏！
峰度 (Kurtosis)
这描述了尾巴有多“厚”。高峰度意味着出现极端值的风险更高（厚尾效应）。
6. 可视化数值数据
直方图 (Histograms)
直方图将数值数据分组到“区间 (bins)”中并显示频率。它非常适合用来观察数据的形状和偏度。
箱型图 (Boxplots / Whisker Plots)
箱型图可视化呈现了五数概括：
- 箱体 (Box) 显示了 IQR（中间 50% 的数据）。
- 箱体内的线条是中位数。
- 胡须 (Whiskers) 延伸显示范围（通常为 1.5 倍的 IQR）。
- 胡须外的点代表潜在的极端值 (outliers)。
你知道吗？ 箱型图是检测极端值的利器。如果你看到离胡须很远的点，那些就是你在 Exam PA 项目中应该深入调查的对象！
7. 发现问题：极端值与缺失值
单变量探索是你发现“脏”数据的第一机会。
- 极端值 (Outliers)： 与其余数据显著不同的数据点。它们可能是错误（例如 200 岁的保单持有人），也可能是合法的极端个案（例如 1,000 万美元的索赔）。
- 缺失值 (Missing Values)： 寻找 "NA" 或空白。有时数据会用 "0" 或 "999" 来表示缺失——要小心！
快速总结表：
特征： 集中趋势 | 指标： 平均值、中位数、众数
特征： 离散程度 | 指标： 标准差、IQR、全距 (Range)
特征： 形状 | 指标： 偏度、峰度
特征： 可视化 | 指标： 直方图、箱型图、条形图
Exam PA 核心要点
1. 务必先检查变量的类型（分类数据 vs. 数值数据）。
2. 对于数值数据，观察平均值 vs. 中位数。如果两者相差甚远，数据很可能是偏态的。
3. 使用直方图观察分布形状，并使用箱型图找出极端值。
4. 右偏数据在保险业中非常常见（如索赔/损失）。在后续建模过程中，你可能需要对这些数据进行转换（例如使用对数转换 Log transform）。
继续加油！你正在构建向评分员解释数据所需的坚实基础。你一定能做到的！