外觀
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) | 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) | = 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) | — | 速率的平均(等距離的平均速度)、F1 score | |
| 加權平均數 (weighted mean) | — | 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) | 否 | 平方單位 | 計算基礎 | |
| 標準差 (SD) | 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) | 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 = | 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(
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
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。

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。

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 |
|---|---|---|
| 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 | |
np.log1p) | 含 0 的計數資料(read count) | pseudo-count 的大小會影響結果 |
| 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 | 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 + KDE | Q–Q 圖 | 箱形圖 |
|---|---|---|
![]() | ![]() | ![]() |
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 SE | SD 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 |


