哈喽大家好！我是你们的统计学+Python保姆级老师～零露老师
昨天Day1咱们成功迈出了第一步：搞懂了统计学的本质、分清了4种数据类型，还搭建好了Python环境，写出了第一行代码！是不是发现，原来这俩玩意儿根本没那么吓人？
今天咱们要啃描述统计学的核心硬骨头——数据集中趋势。听名字有点玄乎？其实大白话翻译过来就是：一堆数据里，最“中心”、最“有代表性”的那个数到底是啥？
比如你想知道科室里患者的“平均体温”，想知道公司员工的“普遍工资”，想知道店里卖得“最多的商品颜色”——这些问题，全靠今天学的三个统计量解决：均值、中位数、众数。
而且我向你保证：不用记复杂公式，不用按计算器算到手酸，Python一行代码就能帮你搞定！跟着我一步一步来，小白也能秒变数据小能手～
一、最熟悉的“老大哥”：均值（平均数）
1. 大白话讲懂：均值到底是啥？
均值就是咱们从小用到大的“算术平均数”——把所有数加起来，再除以数的个数，代表一组数据的“平均水平”。
比如你有5位患者的体温：36.5℃、36.8℃、37.0℃、37.2℃、37.5℃，加起来是185℃，除以5，均值就是37℃——这就是这组患者的“平均体温”。
2. 什么时候用均值？
当你的数据比较均匀，没有特别大或特别小的“极端值”时，用均值最准确，也最有代表性。
3. 医学护理场景实战：计算患者平均体温 & 平均住院天数
咱们直接上代码，跟着我复制粘贴就行，每一步我都给你讲明白！
第一步：老规矩，先导入工具库
新建一个代码框，输入下面的代码，按【Shift+Enter】运行：
Python# 导入数值计算工具numpy（昨天用过，今天继续用！）import numpy as np# 导入表格处理工具pandasimport pandas as pd# 偷偷加一个：后面算众数要用的scipy工具库from scipy import stats as sts |
运行后没报错，就说明工具都准备好了！
第二步：创建患者数据表格
咱们模拟10位内科住院患者的真实数据，新建代码框，输入代码运行：
Python# 创建10位患者的数据：体温和住院天数patient_data = pd.DataFrame({"患者编号": [1,2,3,4,5,6,7,8,9,10],"体温(℃)": [36.2, 36.7, 37.0, 37.1, 36.9, 37.3, 36.8, 37.0, 36.6, 37.2],"住院天数": [4, 6, 7, 5, 8, 10, 6, 7, 5, 9]})# 打印数据看看print("10位内科住院患者数据：")print(patient_data) |
运行后你就能看到完整的患者表格啦，数据都很均匀，没有特别离谱的极端值，适合用均值。
第三步：一行代码算均值！
新建代码框，输入下面的代码，运行：
Python# 计算平均体温：用np.mean()函数，括号里放要算的列mean_temp = np.mean(patient_data["体温(℃)"])# 计算平均住院天数mean_days = np.mean(patient_data["住院天数"])# 打印结果，用f-string让结果更清晰print(f"✅ 10位患者的平均体温为：{mean_temp:.2f}℃")print(f"✅ 10位患者的平均住院天数为：{mean_days:.1f}天") |
这里的:.2f是让结果保留2位小数，:.1f是保留1位小数，不用记，想用的时候复制就行！
运行后你会看到：
Plain Text✅ 10位患者的平均体温为：36.88℃✅ 10位患者的平均住院天数为：6.7天 |
是不是超级简单！一行代码就搞定了，比按计算器快多了～
4. 非医学场景实战：计算电商用户平均消费金额
咱们再换一个电商运营的场景，巩固一下方法，不管你是做什么行业的，都能直接套用！
新建代码框，输入代码创建用户数据：
Python# 创建10位电商用户的消费数据user_data = pd.DataFrame({"用户编号": [1,2,3,4,5,6,7,8,9,10],"消费金额(元)": [89, 159, 299, 99, 199, 359, 129, 259, 79, 189]})print("10位电商用户消费数据：")print(user_data) |
然后新建代码框，算平均消费金额：
Python# 一行代码算平均消费金额mean_money = np.mean(user_data["消费金额(元)"])print(f"✅ 10位用户的平均消费金额为：{mean_money:.1f}元") |
运行后结果是：✅ 10位用户的平均消费金额为：196.0元
二、“抗造”的中间派：中位数
1. 大白话讲懂：中位数到底是啥？
均值虽然好用，但有个致命缺点：怕极端值！
比如你算科室里5位患者的住院费用：5000元、6000元、7000元、8000元、9000元，均值是7000元，很准确。但如果突然来了一位用了50000元的重症患者，数据变成：5000、6000、7000、8000、9000、50000，这时候均值就变成了14167元——这能代表“普通患者的住院费用”吗？显然不能！
这时候就要用中位数了：把数据从小到大排好队，正中间的那个数就是中位数。如果是偶数个数据，就取中间两个数的平均值。
上面的例子排好队是：5000、6000、7000、8000、9000、50000，中间两个数是7000和8000，中位数就是7500元——这才是真正的“普通患者水平”！
2. 什么时候用中位数？
当你的数据里有特别大或特别小的极端值时，中位数比均值更靠谱，更能代表“大多数人的情况”。
3. 医学护理场景实战：计算患者住院费用（含极端值）
咱们就用刚才的例子，真实模拟一下临床场景，新建代码框，输入代码：
Python# 创建6位患者的住院费用数据，最后一位是重症患者，费用很高cost_data = pd.DataFrame({"患者编号": [1,2,3,4,5,6],"住院费用(元)": [5000, 6000, 7000, 8000, 9000, 50000]})print("6位患者住院费用数据：")print(cost_data) |
现在咱们分别算一下均值和中位数，对比一下差距有多大！新建代码框：
Python# 算均值mean_cost = np.mean(cost_data["住院费用(元)"])# 算中位数：用np.median()函数median_cost = np.median(cost_data["住院费用(元)"])print(f"⚠️ 住院费用均值为：{mean_cost:.0f}元")print(f"✅ 住院费用中位数为：{median_cost:.0f}元") |
运行后你会看到惊人的对比：
Plain Text⚠️ 住院费用均值为：14167元✅ 住院费用中位数为：7500元 |
你看！均值被极端值拉得特别高，完全不能代表普通患者，这时候用中位数才是对的！临床中算住院费用、药费这种容易有极端值的数据，一定要优先考虑中位数哦～
4. 非医学场景实战：计算公司员工工资（含老板工资）
这个例子大家肯定都听过！咱们用代码真实还原一下，新建代码框：
Python# 创建10位员工+1位老板的工资数据salary_data = pd.DataFrame({"姓名": ["员工A","员工B","员工C","员工D","员工E","员工F","员工G","员工H","员工I","员工J","老板"],"工资(元)": [5000, 5500, 6000, 6500, 7000, 7500, 8000, 8500, 9000, 9500, 100000]})print("公司员工工资数据：")print(salary_data) |
然后算均值和中位数对比：
Python# 算均值mean_salary = np.mean(salary_data["工资(元)"])# 算中位数median_salary = np.median(salary_data["工资(元)"])print(f"⚠️ 公司平均工资为：{mean_salary:.0f}元")print(f"✅ 公司工资中位数为：{median_salary:.0f}元") |
运行结果：
Plain Text⚠️ 公司平均工资为：15909元✅ 公司工资中位数为：7500元 |
是不是很真实！老板一个人的工资，把全公司的平均工资拉到了15000+，但中位数7500才是真正的“打工人普遍工资”～
三、“最受欢迎”的人气王：众数
1. 大白话讲懂：众数到底是啥？
众数就更简单了：一组数据里出现次数最多的那个数，代表“最常见、最普遍的情况”。
比如你统计10位患者的疼痛等级：0（无痛）、1（轻度）、1（轻度）、2（中度）、1（轻度）、0（无痛）、1（轻度）、3（重度）、1（轻度）、2（中度）——这里“1（轻度）”出现了5次，最多，所以众数就是1，说明“大多数患者都是轻度疼痛”。
2. 什么时候用众数？
当你想知道哪个情况最普遍、最受欢迎时，用众数最合适。而且众数不仅能用于数值型数据，还能用于分类数据（比如血型、商品颜色），这是均值和中位数做不到的！
3. 医学护理场景实战：找最常见的疼痛等级 & 血型
咱们先看疼痛等级的例子，新建代码框：
Python# 创建10位患者的疼痛等级数据：0=无痛，1=轻度，2=中度，3=重度pain_data = pd.DataFrame({"患者编号": [1,2,3,4,5,6,7,8,9,10],"疼痛等级": [0,1,1,2,1,0,1,3,1,2]})print("10位患者疼痛等级数据：")print(pain_data) |
然后用Python算众数，这里要用到刚才导入的scipy.stats工具，新建代码框：
Python# 算众数：用sts.mode()函数mode_result = sts.mode(pain_data["疼痛等级"])# 提取众数和出现次数mode_pain = mode_result.mode[0]count_pain = mode_result.count[0]print(f"✅ 最常见的疼痛等级是：{mode_pain}（轻度）")print(f"✅ 一共出现了：{count_pain}次") |
运行结果：
Plain Text✅ 最常见的疼痛等级是：1（轻度）✅ 一共出现了：5次 |
咱们再试一个分类数据的例子——血型，新建代码框：
Python# 创建15位患者的血型数据blood_data = pd.DataFrame({"患者编号": range(1,16),"血型": ["A型","B型","O型","A型","AB型","O型","A型","B型","O型","A型","O型","B型","A型","O型","A型"]})print("15位患者血型数据：")print(blood_data) |
分类数据也能算众数哦，新建代码框：
Python# 算血型的众数mode_blood_result = sts.mode(blood_data["血型"])mode_blood = mode_blood_result.mode[0]count_blood = mode_blood_result.count[0]print(f"✅ 最常见的血型是：{mode_blood}")print(f"✅ 一共出现了：{count_blood}次") |
运行结果：
Plain Text✅ 最常见的血型是：A型✅ 一共出现了：6次 |
4. 非医学场景实战：找最受欢迎的商品颜色 & 最常见的会员等级
咱们用电商场景再练一下，新建代码框，创建商品颜色数据：
Python# 创建20位用户购买的商品颜色数据color_data = pd.DataFrame({"用户编号": range(1,21),"商品颜色": ["黑色","白色","红色","黑色","蓝色","白色","黑色","白色","黑色","粉色","白色","黑色","蓝色","白色","黑色","红色","白色","黑色","白色","黑色"]})print("20位用户购买的商品颜色：")print(color_data) |
算众数：
Python# 算最受欢迎的颜色mode_color_result = sts.mode(color_data["商品颜色"])mode_color = mode_color_result.mode[0]count_color = mode_color_result.count[0]print(f"✅ 最受欢迎的商品颜色是：{mode_color}")print(f"✅ 一共卖出了：{count_color}件") |
运行结果：
Plain Text✅ 最受欢迎的商品颜色是：黑色✅ 一共卖出了：9件 |
四、一张表总结：什么时候用哪个？
今天学了三个统计量，是不是有点记混？没关系，我给你整理了一张对比表，收藏起来，用的时候看一眼就知道！
统计量 | 大白话定义 | 优点 | 缺点 | 适用场景 |
均值 | 所有数加起来除以个数 | 利用了所有数据，最常用 | 怕极端值，容易被带偏 | 数据均匀，无极端值（如体温、考试分数） |
中位数 | 排好队后中间的数 | 抗造，不受极端值影响 | 没利用所有数据，信息有损失 | 有极端值（如住院费用、工资） |
众数 | 出现次数最多的数 | 能用于分类数据，看“最普遍” | 可能没有众数，也可能有多个 | 看最常见情况（如疼痛等级、商品颜色） |
第二天学习总结
恭喜你！今天又解锁了三个核心技能：
(1)均值：算平均水平，数据均匀时用；
(2)中位数：算中间水平，有极端值时用；
(3)众数：算最常见情况，分类数据也能用；
(4)而且你已经能熟练用Python一行代码算出这三个统计量了！
是不是觉得自己离数据分析高手又近了一步？
下期预告
明天的Day3，咱们要搞懂数据的离散趋势——光知道数据“集中在哪”还不够，还要知道数据“散不散、波动大不大”！比如两位患者的平均体温都是37℃，但一位体温一直很稳定，另一位忽高忽低，这时候就要用方差、标准差、分位数来分析了！
明天依旧是大白话+双场景实战+Python保姆级代码，咱们不见不散～
✨ 粉丝福利时间
(1)关注公众号，Day3更新第一时间推送！
(2)评论区扣【2】，我会把今天的全套代码文件（含所有医学+非医学案例）免费发给你，直接复制就能用！
(3)有任何不懂的地方，评论区留言，我一一解答！
10个月宝宝每天需要喝多少奶粉？
