凉水书库

第18章 创业（第7页）

### 1. 中位数（median）

- 当数据分布不对称或存在极端值时，中位数比平均值更能代表数据的中心趋势。中位数对异常值不敏感，因此在处理异常值时，可以使用中位数来代替平均值。

### 2. 平均值（mean）

- 平均值是数据集的算术平均，适用于对称分布的数据。如果数据集没有异常值或异常值较少，平均值可以作为中心趋势的代表。但在存在异常值的情况下，平均值可能会受到较大影响。

### 3. 众数（mode）

- 众数是数据集中出现次数最多的值。当数据集包含多个模式或分布不规则时，众数可以作为中心趋势的代表。然而，众数可能不适用于连续数据或数据分布较为均匀的情况。

### 4. 四分位数（quartiles）

- 四分位数将数据集分为四等份，可以用来识别异常值。例如，第一四分位数（q1）和第三四分位数（q3）可以用来计算四分位距（IqR），异常值通常被定义为小于 q1 - 1.5 * IqR 或大于 q3 + 1.5 * IqR 的值。

### 5. Z-分数（Z-Score）

- Z-分数表示数据点与平均值的偏差程度，以标准差为单位。当数据服从正态分布时，Z-分数可以帮助识别异常值。通常，Z-分数绝对值大于3的值被认为是异常值。

### 6. 调和平均数（harmonic mean）

- 调和平均数适用于处理比率数据或速度数据。它对小的数值更敏感，因此在处理具有极端值的数据集时，可以考虑使用调和平均数。

### 选择建议：

- 在选择统计量时，首先应评估数据的分布特性。如果数据分布接近正态分布，平均值和标准差是合适的选择。如果数据分布不对称或存在异常值，中位数和四分位数可能是更好的选择。

- 考虑数据的类型和分析的目的。对于分类数据，众数可能是更合适的选择。对于比率数据，调和平均数可能更适用。

- 在处理异常值时，可以结合使用多种统计量，以获得更全面的视角。

在实际应用中，选择合适的统计量需要综合考虑数据的特性、分析的目的和异常值的性质。在处理异常值之前，最好先进行数据探索和可视化，以更好地理解数据的分布和结构。此外，处理异常值时应谨慎，因为异常值可能包含重要的信息，有时需要保留以供进一步分析。

以下是一些处理异常值的具体案例，这些案例展示了在不同情况下如何识别和处理异常值：

### 案例 1：使用中位数处理异常值

**背景**：一家公司收集了员工的月收入数据，发现数据中存在一些异常高的收入值，这些值可能是由于录入错误或特殊奖金造成的。