歡迎來到「數據偵探」階段！

在 CP2（建模實踐）中，你經常會面對一大堆雜亂無章的原始數據。在開始構建複雜的公式或模型之前，你必須精確地了解你正在處理的內容。你可以將這一章想像成與數據的「初次見面與交流」。

總結數據的目的是將成千上萬行的數字轉化為幾個關鍵的洞察。這很重要，因為它能幫助你發現錯誤、識別趨勢，並決定哪種建模方法最合適。如果你的數據是「垃圾」，那麼你的模型也會是「垃圾」（這就是著名的 GIGO 原則：Garbage In, Garbage Out，垃圾進，垃圾出！）。

別擔心如果你不是統計天才——我們將會把它拆解成簡單、易於管理的步驟，幫助你在考試中取得好成績。

1. 描述性統計：「三大」衡量指標

當我們觀察一欄數據時，我們想知道「中間」在哪裡。我們稱之為集中趨勢（Central Tendency）。以下是我們衡量它的三種方法：

A. 平均數 (Mean)

即所有數值的總和除以數值的個數。 公式： \( \bar{x} = \frac{\sum x_i}{n} \)
何時使用：當數據呈對稱分佈（分佈均勻）時使用。
陷阱：平均數對離群值（outliers，極端值）非常敏感。例如，如果有五個人每人賺 20,000 美元，而一個人賺 1,000,000 美元，即便這個「平均值」並不能代表大多數人，但它看起來會非常高。

B. 中位數 (Median，中間值)

當你將所有數值按從小到大排列時，位於中間的數值。
何時使用：當你的數據呈偏態（skewed）或存在極端離群值（如樓價或薪酬）時使用。在這些情況下，它比平均數更能反映「典型」數值。

C. 眾數 (Mode，最常見值)

出現頻率最高的數值。
何時使用：非常適合用於分類數據（categorical data）（例如：「哪種索償類型最常見？」）。

快速回顧箱：
• 平均數：對極端值敏感。
• 中位數：對極端值具有穩健性（Robust）。
• 眾數：適合分類數據。

2. 衡量「離散度」：數據有多亂？

單知道平均數是不夠的。想像一條平均深度為 4 英尺的河流——如果某個部分有 10 英尺深，你還是可能會溺水！我們需要了解數據的離散程度（dispersion）。

標準差 (Standard Deviation) 與 方差 (Variance)

它們告訴我們數據點平均距離平均值有多遠。 標準差公式： \( \sigma = \sqrt{\frac{\sum(x_i - \bar{x})^2}{n}} \)
簡單類比：如果班上每個人的考試成績都是 70%，標準差就是零。如果一半人考 40%，一半人考 100%，平均分仍然是 70%，但標準差會非常高！

全距 (Range) 與 四分位距 (IQR)

• 全距：最大值與最小值之間的差。很簡單，但容易受到單一離群值的嚴重影響。
• 四分位距 (IQR)：第 75 百分位數（上四分位數）與第 25 百分位數（下四分位數）之差。它告訴你數據中中間 50% 的分佈範圍。

你知道嗎？ 在 CP2 中，計算這些統計數據通常是數據驗證（Data Validation）的第一步。如果你的「最小年齡」是 -5 或「最大年齡」是 250，那你已經發現數據錯誤了！

3. 圖形化呈現：視覺化數據的故事

有時候，一張圖表勝過 Excel 中的一千行數據。在 CP2 中，你必須為正確的目的選擇正確的圖表。

直方圖 (Histograms)

它是什麼：一種長條圖，x 軸代表數值的範圍（組距）。
目的：觀察數據的分佈（distribution）形狀。它是鐘形（常態分佈），還是向一側傾斜（偏態）？

盒鬚圖 (Box Plots / Box and Whisker)

它是什麼：一個顯示 IQR 的盒子，中間有一條代表中位數的線，而「鬚」則顯示數據的範圍。
目的：非常適合發現離群值並並排比較不同的組別。

散點圖 (Scatter Plots)

它是什麼：在 X 和 Y 軸上的點。
目的：查看兩個變數之間是否存在相關性（correlation）。例如：「索償金額是否會隨著司機年齡的增加而增加？」

折線圖 (Line Graphs)

它是什麼：由線連接的數據點。
目的：最適合時間序列（Time Series）數據。用它來顯示數值隨月份或年份的變化情況。

關鍵要點：不要僅僅因為圖表看起來好看就使用它。在你的 CP2 總結文件中，你必須解釋為什麼選擇該圖表以及它顯示了什麼（例如：「散點圖顯示體重與成本之間存在微弱的正相關性」）。

4. 數據合理性與品質檢查

這是「數據準備與分析」部分的核心。你必須向考官證明你已經檢查過數據是否合理。

常見的檢查項目：
1. 完整性 (Completeness)：是否有空白儲存格或「N/A」值？
2. 唯一性 (Uniqueness)：是否有重複的記錄（例如：相同的保單號碼出現兩次）？
3. 範圍檢查 (Range Checks)：日期是否出現了不該出現的過去或未來時間？數值是否本應為正數卻出現了負數？
4. 一致性 (Consistency)：如果一張保單被標記為「已失效 (Lapsed)」，那麼「已收保費」一欄是否為零？

數據品質記憶法：嘗試 "ACCURATE"
• Accurate（準確）
• Complete（完整）
• Consistent（一致）
• Up-to-date（最新）
• Relevant（相關）
• Authoritative（權威）
• Timely（及時）
• Extended（易於理解）

5. 避免常見錯誤

• 忽略「零」：有時「0」意味著「未收集數據」，有時則真正代表「零」。未經檢查，切勿將它們混為一談！
• 過度簡化：如果你只看平均數，你可能會忽略數據被分為兩個截然不同組別的事實（雙峰分佈）。
• 糟糕的組距劃分：在直方圖中，如果組距太寬，你會丟失細節；如果太窄，圖表看起來就會亂成一團。
• 未加標籤：在 CP2 中，沒有標題和軸標籤的圖表會讓你輕易丟失分數。

總結：CP2 工作流程

1. 清理 (Clean)：找出空白處和錯誤。
2. 計算 (Calculate)：獲得平均數、中位數、標準差和全距。
3. 視覺化 (Visualise)：製作直方圖或盒鬚圖以查看分佈形狀。
4. 驗證 (Verify)：問自己：「這些數據對於精算模型來說是否合理？」
5. 記錄 (Document)：寫下你的發現。如果你刪除了 10 行錯誤數據，你必須在你的審計追蹤（audit trail）中說明！

如果這在你開始「建模」之前看起來像繁重的工作，別擔心。理解數據是 CP2 戰鬥中 50% 的部分。一旦你了解了數據，寫公式就會變得容易得多！