Skip to content

Statistics › 敘述統計 › 單變數:數值型

單變數分析:數值型 (Univariate – Numerical) ​

完整描述一個數值變數(Interval / Ratio)需要三個面向,缺一不可:

面向問題主要指標
集中趨勢 (central tendency)中心在哪?平均數、中位數、眾數
離散程度 (variability / spread)多分散?SD、IQR、MAD、CV
分布形狀 (shape)長什麼樣?偏態、峰度

只報平均數不報離散與形狀是不完整的:兩組資料可以平均數相同、分布完全不同。

集中趨勢 (Central Tendency) ​

指標定義特性適用
算術平均數 (mean)x¯=1n∑xi用到每個值,對離群值敏感對稱、無極端值
中位數 (median)排序後的中間值(第 50 百分位數,Q₂)穩健 (robust)偏態、有離群值
眾數 (mode)出現最多次的值可用於類別離散 / 類別資料
幾何平均數 (geometric mean)(∏xi)1/n= log 尺度上的平均再取 exp成長率、倍數變化 (fold change)、log-normal 資料
調和平均數 (harmonic mean)n/∑(1/xi)—速率的平均(等距離的平均速度)、F1 score
加權平均數 (weighted mean)∑wixi/∑wi—各觀測重要性不同(GPA、加權問卷)
python
import numpy as np
import pandas as pd
from scipy.stats import gmean, hmean
from sklearn.datasets import load_iris

df = load_iris(as_frame=True).frame
x = df["sepal length (cm)"]

x.mean(), x.median(), x.mode()[0]

values, weights = [2, 4, 8], [0.2, 0.3, 0.5]
np.mean(values)                     # 4.667  算術
gmean(values)                       # 4.000  幾何
hmean(values)                       # 3.429  調和
np.average(values, weights=weights) # 5.600  加權

雙峰 (bimodal) 常暗示兩個子族群混在一起(例如兩種細胞類型),但先確認不是 bin 寬度、KDE 平滑參數或小樣本雜訊造成的。

離散程度 (Variability) ​

指標公式穩健?單位用途
全距 (range)max − min否同原資料快速 sanity check
變異數 (variance)s2=∑(xi−x¯)2n−1否平方單位計算基礎
標準差 (SD)s=s2否同原資料搭配平均數
四分位距 (IQR)Q₃ − Q₁是同原資料搭配中位數,偏態資料
中位數絕對離差 (MAD)median(|xᵢ − median|)是同原資料穩健版 SD,常用於離群偵測
變異係數 (CV)s/x¯×100%否無單位比較不同單位 / 量級的變數
  • 為什麼除以 n−1? Bessel's correction。用樣本平均估計母體變異時,除以 n 會系統性低估;n−1 修正這個偏誤。母體 (population) 資料才除以 N。
  • CV 只在平均數為正、且有真零點(Ratio)時有意義;不要用在攝氏溫度。生物實驗常用 CV 評估技術重複 (technical replicate) 的穩定度。
python
from scipy.stats import median_abs_deviation

x.max() - x.min()                 # range
x.var(ddof=1), x.std(ddof=1)      # 樣本變異數 / 標準差(pandas 預設 ddof=1)
np.std(x, ddof=0)                 # 母體標準差(numpy 預設 ddof=0,注意!)
x.quantile(0.75) - x.quantile(0.25)          # IQR
median_abs_deviation(x, scale="normal")      # MAD,scale 後在常態下 ≈ SD
x.std() / x.mean() * 100                     # CV (%)

經驗法則 (Empirical Rule, 68–95–99.7) ​

僅適用於近似常態的資料:±1 SD ≈ 68%、±2 SD ≈ 95%、±3 SD ≈ 99.7%。超出 ±3 SD 常被標記為離群值。

標準差 vs 標準誤 (SD vs SE) ​

描述什麼會隨 n 變小嗎?何時報告
SD個別資料點的分散否描述資料有多變異
SE = s/n樣本平均數作為估計值的精確度是描述平均數估得多準

SE 是 抽樣分配 (sampling distribution) 的標準差,也是 信賴區間(x¯±t∗⋅SE)與 t 檢定(t=(x¯−μ0)/SE)的核心。

論文圖表的 error bar 要寫清楚是 SD、SE 還是 95% CI,三者差很多。

四分位距與離群值 (IQR & Outliers) ​

Tukey fence:落在 [Q1−1.5⋅IQR, Q3+1.5⋅IQR] 之外者視為可能的離群值(就是 boxplot whisker 的定義)。

python
q1, q3 = x.quantile([0.25, 0.75])
iqr = q3 - q1
outliers = x[(x < q1 - 1.5 * iqr) | (x > q3 + 1.5 * iqr)]

# 穩健 z-score(以 median / MAD 取代 mean / SD),|z| > 3.5 常作為門檻
robust_z = (x - x.median()) / median_abs_deviation(x, scale="normal")

離群值的處理原則見 資料品質;ML 的處理方式見 Outlier Handling。

分布形狀 (Shape) ​

偏態 (Skewness) ​

形狀關係意義
右偏 / 正偏 (right-skewed)眾數 < 中位數 < 平均數平均數被大值拉高(收入、基因表現量)
對稱 (symmetric)平均數 ≈ 中位數 ≈ 眾數任一指標都具代表性
左偏 / 負偏 (left-skewed)平均數 < 中位數 < 眾數平均數被小值拉低

|skewness| > 1 通常視為明顯偏態 → 考慮 資料轉換、穩健方法或 無母數方法。

Symmetric, right-skewed, and left-skewed distributions

圖片來源:Medium

峰度 (Kurtosis) ​

衡量尾部厚度 (tailedness),與常態分配比較。

類型超額峰度 (excess kurtosis)形狀意義
常態峰 (mesokurtic)≈ 0常態尾部類似常態
高狹峰 (leptokurtic)> 0厚尾、尖峰極端值比預期多
低闊峰 (platykurtic)< 0薄尾、平峰極端值較少
  • Raw (Pearson) kurtosis:常態 = 3;Excess (Fisher) kurtosis = Raw − 3,常態 = 0。
  • pandas.Series.kurt() 與 scipy.stats.kurtosis() 預設都回傳 excess kurtosis。

Kurtosis shapes

圖片來源:Beautiful Economics

python
x.skew()   # 偏態
x.kurt()   # 超額峰度

資料轉換 (Transformation) ​

轉換用途注意
log⁡(x) / log2⁡(x)右偏、倍數關係的資料(表現量、濃度、收入);log₂ 差 1 = 2 倍x 必須 > 0
log⁡(x+1)(np.log1p)含 0 的計數資料(read count)pseudo-count 的大小會影響結果
x計數資料的輕度右偏—
Box-Cox / Yeo-Johnson自動找最佳冪次轉換Box-Cox 需 x > 0
z-score 標準化 (x−x¯)/s讓不同單位的變數可比較;PCA、距離型模型的前處理不會改變分布形狀
python
from scipy import stats

np.log2(x)                          # log2 轉換
np.log1p(counts)                    # log(x + 1)
x_bc, lam = stats.boxcox(x)         # Box-Cox,回傳轉換後資料與 λ
z = (x - x.mean()) / x.std()        # z-score

標準化 (standardization) 只是平移縮放,偏態資料標準化後還是偏態。要改變形狀得用 log 等非線性轉換。ML 前處理見 Feature Scaling。

視覺診斷 ​

圖看什麼
直方圖 + KDE (histogram + kernel density estimate)對稱 / 偏態 / 多峰;KDE 曲線下面積 = 1
Q–Q 圖 (quantile–quantile plot)與理論常態分配比較;點貼近對角線 ≈ 常態
箱形圖 (boxplot)中位數、IQR、離群值的精簡摘要
python
import matplotlib.pyplot as plt
import seaborn as sns
import scipy.stats as stats

fig, axes = plt.subplots(1, 3, figsize=(14, 4))
sns.histplot(x, kde=True, bins=18, ax=axes[0])     # 直方圖 + KDE
stats.probplot(x, dist="norm", plot=axes[1])        # Q–Q 圖
axes[2].boxplot(x)                                  # 箱形圖
plt.tight_layout()
plt.show()
直方圖 + KDEQ–Q 圖箱形圖
Histogram with KDEQ-Q PlotBoxplot

Q–Q 圖判讀

圖形意義
點大致沿對角線近似常態
左端在線下、右端在線上(S 形)比常態厚尾
左端在線上、右端在線下比常態薄尾
整體向一側彎曲偏態
只有一端明顯偏離單側尾部問題或離群值

這裡是「描述」形狀。檢定前的正式假設檢查(Shapiro-Wilk 等)見 假設檢查。

重點整理 ​

原則說明
三個面向都要報只報中心不夠
平均數 ≠ 中位數 → 有偏態兩個都報
SD vs SESD 描述資料;SE 描述估計精確度
偏態 / 離群 → 用 IQR、MAD比 SD 更有代表性
先畫圖再解讀數字