未记录事实核验 · 状态：现行内容

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

🗂️ 数据类型（Data Types in Statistics）

🎯 核心概念

直观理解：

• 性别、颜色等只能比较"不同"，不能比较"大小"
• 满意度可以排序但间隔不一定相等
• 身高、收入可以进行加减乘除运算

📊 四大数据类型详解

1. 🏷️ 定类数据 (Nominal Data)

特征：只能区分类别，无大小和顺序关系

典型例子：

• 性别：男、女
• 血型：A、B、AB、O
• 专业：计算机、数学、物理
• 地区：北京、上海、广州

适用统计方法：

• 频数统计
• 众数
• 卡方检验

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 定类数据示例
gender_data = ['男', '女', '女', '男', '男', '女', '男', '女']
blood_type = ['A', 'B', 'O', 'AB', 'A', 'O', 'B', 'A']

# 频数统计
gender_counts = pd.Series(gender_data).value_counts()
print("性别分布:")
print(gender_counts)
print(f"众数（包含并列情况）: {pd.Series(gender_data).mode().tolist()}")

# 可视化
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
gender_counts.plot(kind='bar')
plt.title('性别分布')
plt.ylabel('人数')

plt.subplot(1, 2, 2)
pd.Series(blood_type).value_counts().plot(kind='pie', autopct='%1.1f%%')
plt.title('血型分布')
plt.tight_layout()
plt.show()

2. 📏 定序数据 (Ordinal Data)

特征：有明确的顺序关系，但间隔不一定相等

典型例子：

• 满意度：非常不满意 < 不满意 < 一般 < 满意 < 非常满意
• 教育程度：小学 < 中学 < 大学 < 研究生
• 疼痛等级：轻微 < 中等 < 严重
• 产品评级：A+ > A > B+ > B > C

适用统计方法：

• 中位数
• 四分位数
• 非参数检验（如Mann-Whitney U检验）

# 定序数据示例
satisfaction = ['满意', '非常满意', '一般', '不满意', '满意', '非常满意', '一般']
education = ['大学', '中学', '研究生', '大学', '中学', '大学', '研究生']

# 定义顺序
satisfaction_order = ['非常不满意', '不满意', '一般', '满意', '非常满意']
education_order = ['小学', '中学', '大学', '研究生']

# 转换为有序分类变量
df_ordinal = pd.DataFrame({
    '满意度': pd.Categorical(satisfaction, categories=satisfaction_order, ordered=True),
    '教育程度': pd.Categorical(education, categories=education_order, ordered=True)
})

print("满意度中位类别（本例为奇数个观测）:", df_ordinal['满意度'].sort_values().iloc[len(df_ordinal) // 2])
print("教育程度分布:")
print(df_ordinal['教育程度'].value_counts().sort_index())

# 有序数据的可视化
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
df_ordinal['满意度'].value_counts().sort_index().plot(kind='bar')
plt.title('满意度分布（保持顺序）')
plt.xticks(rotation=45)

plt.subplot(1, 2, 2)
df_ordinal['教育程度'].value_counts().sort_index().plot(kind='bar')
plt.title('教育程度分布（保持顺序）')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

3. 📐 定距数据 (Interval Data)

特征：有相等间隔，可以进行加减运算，但没有绝对零点

典型例子：

• 温度（摄氏度、华氏度）：20°C和10°C的差等于30°C和20°C的差
• 时间（年份）：2020年和2010年的差等于2010年和2000年的差
• IQ分数：差值有意义，但不能说IQ 200是IQ 100的两倍

适用统计方法：

• 均值、标准差
• t检验
• 方差分析
• 相关分析

# 定距数据示例
temperatures = [20, 25, 18, 22, 27, 19, 24, 21]  # 温度（摄氏度）
years = [2018, 2019, 2020, 2021, 2022, 2023, 2024]  # 年份
iq_scores = [100, 110, 95, 120, 105, 98, 115, 108]  # IQ分数

# 计算统计量
temp_stats = {
    '均值': np.mean(temperatures),
    '中位数': np.median(temperatures),
    '标准差': np.std(temperatures),
    '极差': max(temperatures) - min(temperatures)
}

print("温度数据统计:")
for key, value in temp_stats.items():
    print(f"{key}: {value:.2f}")

# 定距数据特点：差值有意义
print(f"\n温度差值示例:")
print(f"25°C - 20°C = {25-20}°C")
print(f"22°C - 17°C = {22-17}°C")
print("这两个差值是相等的，具有相同的物理意义")

# 但不能说比值有意义
print(f"\n注意：不能说25°C是20°C的{25/20:.1f}倍热！")

4. 🔢 定比数据 (Ratio Data)

特征：有绝对零点，可以进行所有数学运算

典型例子：

• 身高、体重：0表示没有
• 收入：0表示没有收入
• 年龄：0表示刚出生
• 销售额：0表示没有销售

适用统计方法：

• 可计算均值、标准差等统计量，但统计方法仍须满足各自的适用条件
• 几何平均数：本文采用的对数计算方式要求数据严格为正
• 变异系数：通常用于均值为正且具有有意义零点的数据
• 参数检验：须结合研究设计、独立性及具体分布假设选择

# 定比数据示例
heights = [170, 165, 180, 175, 160, 185, 172, 168]  # 身高(cm)
incomes = [5000, 8000, 12000, 6000, 9000, 15000, 7000, 10000]  # 月收入(元)
ages = [25, 30, 35, 28, 32, 40, 26, 29]  # 年龄

# 定比数据的全面统计分析
def ratio_data_analysis(data, name):
    stats = {
        '算术平均数': np.mean(data),
        '几何平均数': np.exp(np.mean(np.log(data))),  # 定比数据特有
        '中位数': np.median(data),
        '众数（包含并列情况）': pd.Series(data).mode().tolist(),
        '标准差': np.std(data, ddof=1),
        '变异系数': np.std(data, ddof=1) / np.mean(data),  # 定比数据特有
        '极差': max(data) - min(data),
        '四分位距': np.percentile(data, 75) - np.percentile(data, 25)
    }
    
    print(f"\n{name}统计分析:")
    for key, value in stats.items():
        if isinstance(value, (int, float)):
            print(f"{key}: {value:.2f}")
        else:
            print(f"{key}: {value}")

ratio_data_analysis(heights, "身高")
ratio_data_analysis(incomes, "收入")

# 定比数据特点：比值有意义
print(f"\n定比数据的比值意义:")
print(f"身高180cm是身高90cm的{180/90}倍")
print(f"收入12000元是收入6000元的{12000/6000}倍")
print("这些比值具有实际意义！")

🎯 数据类型选择指南

📋 判断标准

def identify_data_type(data_description):
    """
    帮助判断数据类型
    """
    questions = [
        "1. 数据是否只能区分类别，无顺序关系？",
        "2. 数据是否有明确的顺序，但间隔不等？", 
        "3. 数据是否有相等间隔，但无绝对零点？",
        "4. 数据是否有绝对零点，比值有意义？"
    ]
    
    data_types = ["定类数据", "定序数据", "定距数据", "定比数据"]
    
    print("数据类型判断指南:")
    for i, question in enumerate(questions):
        print(f"{question} → {data_types[i]}")
    
    print(f"\n你的数据: {data_description}")
    print("请根据上述问题判断数据类型")

# 实际应用示例
examples = [
    "客户满意度评分（1-5分）",
    "员工姓名",
    "产品销售金额", 
    "温度读数",
    "学历等级"
]

for example in examples:
    identify_data_type(example)
    print("-" * 40)

🛠️ 统计方法对应表

数据类型	集中趋势	离散程度	适用检验	Python处理
定类	众数	-	卡方检验	astype('category')
定序	中位数	四分位距	非参数检验	pd.Categorical(ordered=True)
定距	均值	标准差	t检验、方差分析	数值类型
定比	均值、几何平均（本文算法要求严格正值）	标准差、变异系数（通常要求均值为正）	满足具体方法条件时选用参数检验	数值类型

💻 Python实战应用

# 综合示例：处理混合数据类型
def process_mixed_data():
    """处理包含多种数据类型的数据集"""
    
 # 创建混合数据
    data = {
        '姓名': ['张三', '李四', '王五', '赵六', '钱七'],
        '性别': ['男', '女', '男', '女', '男'],  # 定类
        '教育': ['本科', '硕士', '博士', '本科', '硕士'],  # 定序
        '温度偏好': [20, 22, 18, 25, 21],  # 示例假设：偏好的摄氏温度读数，按定距尺度处理
        '收入': [8000, 12000, 18000, 9000, 15000],  # 定比
        '满意度': [4, 5, 3, 4, 5]  # 定序
    }
    
    df = pd.DataFrame(data)
    
 # 设置正确的数据类型
    df['性别'] = df['性别'].astype('category')
    df['教育'] = pd.Categorical(df['教育'], 
                              categories=['本科', '硕士', '博士'], 
                              ordered=True)
    df['满意度'] = pd.Categorical(df['满意度'], 
                                categories=[1, 2, 3, 4, 5], 
                                ordered=True)
    
    print("数据类型设置:")
    print(df.dtypes)
    print("\n" + "="*50)
    
 # 针对不同数据类型进行相应分析
    print("定类数据分析（性别）:")
    print(df['性别'].value_counts())
    
    print("\n定序数据分析（教育程度）:")
    print(f"众数（包含并列情况）: {df['教育'].mode().tolist()}")
    print(f"中位类别（本例为奇数个观测）: {df['教育'].sort_values().iloc[len(df) // 2]}")
    
    print("\n定距数据分析（温度偏好）:")
    print(f"均值: {df['温度偏好'].mean():.1f}")
    print(f"标准差: {df['温度偏好'].std():.1f}")
    
    print("\n定比数据分析（收入）:")
    print(f"算术平均数: {df['收入'].mean():.0f}")
    print(f"几何平均数: {df['收入'].apply(lambda x: x**(1/len(df['收入']))).prod():.0f}")
    print(f"变异系数: {df['收入'].std()/df['收入'].mean():.2f}")
    
    return df

# 运行综合示例
df_mixed = process_mixed_data()

⚠️ 常见错误与注意事项

🚫 典型错误

1. 对定类数据计算均值：如对"专业编号"求平均
2. 对定序数据进行等距运算：假设满意度1-2的差等于4-5的差
3. 混淆定距和定比：对温度数据计算几何平均数
4. 忽略数据类型：选择了不合适的统计方法

💡 最佳实践

• 数据收集前明确每个变量的类型
• 使用pandas的分类数据类型提高效率
• 根据数据类型选择合适的可视化方法
• 在统计分析前验证数据类型假设

🔗 相关知识

• 统计学是什么
• 描述性统计
• 数据分布类型
• Python/Pandas数据结构

#统计学 #数据类型 #基础