歡迎來到單變量數據探索！
你好！歡迎來到 Exam PA 之旅最關鍵的起步階段之一。在我們構建華麗的預測模型之前，必須先了解我們的數據。將單變量數據探索（Univariate Data Exploration）想像成與數據集進行的「第一次約會」——你只需要一次針對一個變量（"uni" 意為單一）來了解基本事實。完成本章後，你將學會如何總結和視覺化個別變量，從而發現其中的規律、錯誤或驚喜。
如果你還不是數學天才也不用擔心。我們會將所有內容拆解成簡單的部分，並附上大量範例！
1. 分類數據 vs. 數值數據：兩大類別
在進行任何分析前，我們必須先確認手頭上的數據類型。在精算領域中，數據通常分為兩大類：
分類數據 (Categorical / Qualitative Data)
這類數據是標籤或名稱。你無法對它們進行數學運算（例如，你不能將「紅色」+「藍色」相加）。
- 名義數據 (Nominal)： 沒有自然順序的類別（例如：性別、居住地、汽車顏色）。
- 順序數據 (Ordinal)： 具有特定順序的類別（例如：教育程度：高中、學士、碩士）。
數值數據 (Numeric / Quantitative Data)
這類數據是代表測量或計數的數字。
- 離散數據 (Discrete)： 可數的數字（例如：索賠次數、子女數目）。
- 連續數據 (Continuous)： 在一定範圍內可取任何值的數據（例如：索賠金額、保單持有人年齡）。
快速複習： 如果你能計算出一個有意義的平均值，它很可能是數值數據。如果你是將事物歸類為不同的「類型」，那麼它就是分類數據。
2. 探索分類數據
由於我們無法計算顏色或地區的「平均值」，我們會使用頻率（frequencies）來探索分類數據。
頻率表 (Frequency Tables)
這僅僅是計算每個類別出現的次數。我們通常也會查看相對頻率 (Relative Frequency)，即各類別佔總數的百分比。
使用長條圖 (Bar Charts) 視覺化
長條圖在這裡是你最好的幫手。每個長條代表一個類別，長條的高度則代表該類別的計數或百分比。
範例： 一張顯示按「地區」（北、南、東、西）銷售保單數量的長條圖。如果「北部」的長條高度是「南部」的兩倍，你立刻就能看出業務集中在哪裡。
常見錯誤： 不要把長條圖和直方圖（Histogram）搞混了！長條圖的長條之間有間隙，因為類別是離散的；而直方圖沒有間隙，因為數據是連續的。
3. 探索數值數據：集中趨勢 (Central Tendency)
我們想知道數據的「中心」在哪裡。主要有三種測量方式：
- 平均值 (Mean)： 算術平均數。將所有數值加總後除以個數。
\( \bar{x} = \frac{\sum x_i}{n} \) - 中位數 (Median)： 將數據排序後的中間值。如果數據存在極端值 (outliers)，中位數通常比平均值更能代表「典型」情況。
- 眾數 (Mode)： 出現頻率最高的數值。
現實生活類比： 想像房間裡有 10 個年薪 5 萬美元的人。這時，一位億萬富翁走了進來。平均值薪水會飆升，讓每個人看起來都很富有。然而，中位數（中間那位的薪水）幾乎完全不變。這就是為什麼我們說中位數對極端值具有穩健性 (robust)！
4. 探索數值數據：離散程度 (Dispersion / Spread)
只知道中心還不夠，我們還需要知道數據是緊密聚集還是分散的。
變異數與標準差 (Variance and Standard Deviation)
這些指標用於衡量數據點平均偏離平均值的程度。
- 變異數 (\( \sigma^2 \))： 數據點偏離平均值後的平方差的平均值。
- 標準差 (\( \sigma \))： 變異數的平方根。它的單位與原始數據相同（例如：美元），因此更易於解讀。
五數概括與四分位距 (Five-Number Summary and IQR)
這是觀察數據分散程度，而不受極端值干擾的好方法：
- 最小值 (Minimum)
- 第一四分位數 (Q1 - 第 25 百分位數)
- 中位數 (Q2 - 第 50 百分位數)
- 第三四分位數 (Q3 - 第 75 百分位數)
- 最大值 (Maximum)
四分位距 (IQR)： \( Q3 - Q1 \)。它告訴你數據中「中間 50%」的範圍。
5. 分佈形狀 (Shape of the Distribution)
當你查看數據圖表時，它的「輪廓」長什麼樣子？
偏度 (Skewness)
偏度告訴我們數據的對稱性。
- 右偏 (Right Skewed / Positive Skew)： 「尾巴」指向右側。大多數數值較小，但少數極大的數值將平均值拉向右側。（範例：保險索賠金額——大多數很小，但少數金額巨大！）
- 左偏 (Left Skewed / Negative Skew)： 「尾巴」指向左側。（範例：退休年齡——大多數人年紀較大，但少數人很年輕就退休。）
- 對稱 (Symmetric)： 左側和右側是鏡像關係（如常態分佈）。
記憶小撇步： 「尾巴指明方向」。如果長長的細尾巴在右邊，就是右偏！
峰度 (Kurtosis)
這描述了尾巴有多「厚」。高峰度意味著出現極端值的風險更高（厚尾效應）。
6. 視覺化數值數據
直方圖 (Histograms)
直方圖將數值數據分組到「區間 (bins)」中並顯示頻率。它非常適合用來觀察數據的形狀和偏度。
箱型圖 (Boxplots / Whisker Plots)
箱型圖視覺化呈現了五數概括：
- 箱體 (Box) 顯示了 IQR（中間 50% 的數據）。
- 箱體內的線條是中位數。
- 鬍鬚 (Whiskers) 延伸顯示範圍（通常為 1.5 倍的 IQR）。
- 鬍鬚外的點代表潛在的極端值 (outliers)。
你知道嗎？ 箱型圖是檢測極端值的利器。如果你看到離鬍鬚很遠的點，那些就是你在 Exam PA 專案中應該深入調查的對象！
7. 發現問題：極端值與缺失值
單變量探索是你發現「髒」數據的第一機會。
- 極端值 (Outliers)： 與其餘數據顯著不同的數據點。它們可能是錯誤（例如 200 歲的保單持有人），也可能是合法的極端個案（例如 1,000 萬美元的索賠）。
- 缺失值 (Missing Values)： 尋找 "NA" 或空白。有時數據會用 "0" 或 "999" 來表示缺失——要小心！
快速總結表：
特徵： 集中趨勢 | 指標： 平均值、中位數、眾數
特徵： 離散程度 | 指標： 標準差、IQR、全距 (Range)
特徵： 形狀 | 指標： 偏度、峰度
特徵： 視覺化 | 指標： 直方圖、箱型圖、長條圖
Exam PA 核心要點
1. 務必先檢查變量的類型（分類數據 vs. 數值數據）。
2. 對於數值數據，觀察平均值 vs. 中位數。如果兩者相差甚遠，數據很可能是偏態的。
3. 使用直方圖觀察分佈形狀，並使用箱型圖找出極端值。
4. 右偏數據在保險業中非常常見（如索賠/損失）。在後續建模過程中，你可能需要對這些數據進行轉換（例如使用對數轉換 Log transform）。
繼續加油！你正在構建向評分員解釋數據所需的堅實基礎。你一定能做到的！