在浩瀚的数据海洋中，统计学为我们提供了一盏明灯，帮助我们更好地理解数据的分布和波动。今天，我们将揭开集中趋势与离散趋势的神秘面纱，带您深入了解这两个统计学中的关键概念。
一、集中趋势：数据的中心在哪里？
1.1 定义
集中趋势指的是一组数据中值分布的中心位置。它反映了数据的一般水平或集中程度。常见的集中趋势度量指标有平均数、中位数和众数。
1.2 平均数
平均数是一组数据的总和除以数据个数。它是最常用的集中趋势度量指标，反映了数据的平均水平。然而，平均数容易受到极端值的影响。
# 计算平均数
data = [1, 2, 3, 4, 5, 100]
average = sum(data) / len(data)
print("平均数：", average)
1.3 中位数
中位数是将一组数据从小到大排列后，位于中间位置的数值。它不受极端值的影响，更能反映数据的实际水平。
# 计算中位数
data = [1, 2, 3, 4, 5, 100]
data.sort()
median = data[len(data) // 2]
print("中位数：", median)
1.4 众数
众数是一组数据中出现次数最多的数值。它适用于描述分类数据的集中趋势。
# 计算众数
from collections import Counter
data = [1, 2, 3, 4, 5, 3]
counter = Counter(data)
most_common_value = counter.most_common(1)[0][0]
print("众数：", most_common_value)
二、离散趋势：数据的波动有多大？
2.1 定义
离散趋势指的是一组数据中各个数值之间的差异程度。它反映了数据的分散程度。常见的离散趋势度量指标有方差、标准差和极差。
2.2 方差
方差是各个数值与平均数之差的平方的平均数。它反映了数据的离散程度。
# 计算方差
data = [1, 2, 3, 4, 5, 100]
average = sum(data) / len(data)
variance = sum([(x - average) ** 2 for x in data]) / len(data)
print("方差：", variance)
2.3 标准差
标准差是方差的平方根。它反映了数据的离散程度，与方差相比，标准差更容易理解。
# 计算标准差
from math import sqrt
data = [1, 2, 3, 4, 5, 100]
average = sum(data) / len(data)
std_deviation = sqrt(sum([(x - average) ** 2 for x in data]) / len(data))
print("标准差：", std_deviation)
2.4 极差
极差是一组数据中最大值与最小值之差。它反映了数据的波动范围。
# 计算极差
data = [1, 2, 3, 4, 5, 100]
max_value = max(data)
min_value = min(data)
range_value = max_value - min_value
print("极差：", range_value)
三、总结
集中趋势与离散趋势是统计学中的两个关键概念，它们帮助我们更好地理解数据的分布和波动。通过对集中趋势和离散趋势的分析，我们可以更深入地了解数据的特征，为后续的数据分析打下坚实的基础。