四分位数与均值：描述性统计中如何避免被平均值误导

很多人学统计学到描述性统计这一章，会觉得均值、中位数、众数算完就差不多了，四分位数看一眼定义，知道它是"把数据四等分的三个点"，然后就翻篇了。我当初也是这么想的，直到有一次帮人看一批收入数据，均值算出来挺体面，中位数也不算难看，但真正把四分位数拉出来一看，才发现底下藏着一大截被平均值彻底掩盖的极端情况。从那之后我才意识到，集中趋势分析里，均值和中位数只是"一个点"，而四分位数给的是一组"位置坐标"，它们回答的根本不是同一个问题。

这篇日记式的总结，就是围绕四分位数和各类均值的比较展开的。核心想讲清楚三件事：四分位数到底在描述什么、它和均值中位数各自适合什么场景、以及在实际动手算的时候有哪些容易翻车的地方。适合刚学完描述性统计、正在被"到底该用哪个指标"困扰的朋友，也适合已经工作、需要拿数据说话但不想被平均值忽悠的人。我会尽量用生活化的例子把原理讲透，再补上可以直接抄的操作步骤和踩坑经验，读完你至少能做到：拿到一组数据，知道先看什么、后看什么，以及为什么。

1. 为什么单看均值会让人误判：从一个收入样本说起

1.1 均值"体面"背后的失真

先摆一组我自己编的、但很贴近现实的数据。假设某个小团队有 10 个人，月收入（单位：千元）分别是：

3, 4, 4, 5, 5, 6, 7, 8, 10, 48

算一下均值：(3+4+4+5+5+6+7+8+10+48) / 10 = 100 / 10 = 10。均值是 10 千元，也就是一万块。听起来还行对吧？但你把这组数据从头看到尾，会发现除了最后那个 48，其余 9 个人全在 3 到 10 之间，绝大多数人根本够不到 10 这个数。均值被那个 48 硬生生往上拽了一大截。

这就是均值对极端值极度敏感的典型表现。它的数学本质是"所有数值的总和平均分摊到每个观测上"，所以任何一个离群点都会按 1/n 的权重直接拉动结果。数据量越小，单个极端值的影响越夸张。上面这组里，48 一个人就贡献了 4.8 的均值增量，占了均值的一半。

那中位数呢？把数据排序后取中间两个数的平均：(5+6)/2 = 5.5。中位数 5.5 千元，明显更贴近大多数人的真实处境。中位数只关心"排在最中间的那个位置是谁"，极端值再大，只要不改变排序位置，它就纹丝不动。这就是中位数的稳健性。

但问题来了：中位数告诉你"中间是 5.5"，可它没告诉你"中间之外的人分布成什么样"。是大家都挤在 5 附近，还是从 3 一路铺到 48？这两种情况中位数可能一样，但数据的"性格"完全不同。这时候就轮到四分位数登场了。

1.2 四分位数补上的那块拼图

四分位数是把排序后的数据切成四段的那三个切点，通常记作 Q1、Q2、Q3：

• Q1（第一四分位数）：25% 的数据小于等于它，也叫下四分位数；
• Q2（第二四分位数）：50% 的数据小于等于它，其实就是中位数；
• Q3（第三四分位数）：75% 的数据小于等于它，也叫上四分位数。

还是上面那组数据，排序后是3, 4, 4, 5, 5, 6, 7, 8, 10, 48，n=10。按常见的分位算法，Q1 大约在 4.25，Q2 = 5.5，Q3 大约在 7.75（具体算法后面细讲，不同方法结果会有细微差异）。你把这几个数摆在一起看：

看到没？四分位数一摆出来，数据的"骨架"就清楚了：中间 50% 的人集中在 4.25 到 7.75 这个区间，跨度只有 3.5；而均值 10 远远飘在这个区间之外，说明它已经被顶部那个 48 带偏了。四分位数不给你一个"代表值"，它给你的是数据的"分布轮廓"，这是均值和单独一个中位数都做不到的。

1.3 三个指标回答的是三个不同的问题

我后来总结出一个特别好记的框架，把这三个东西的分工说清楚：

• 均值回答："如果所有值平均分配，每个人能拿多少？"——它是个"公平分配"视角，适合总量、平均水平的场景，但怕极端值。
• 中位数回答："排在正中间的那个人是什么水平？"——它是个"典型个体"视角，抗极端值，但丢掉了分布信息。
• 四分位数回答："数据被切成四段后，每段的边界在哪？"——它是个"分布结构"视角，既抗极端值，又能看出集中还是分散。

所以它们不是互相替代的关系，而是层层递进的观察角度。实际分析里，我的习惯是先看均值和中位数的差距，差距大就说明有偏态或极端值；然后再拉四分位数，看中间 50% 的跨度，判断数据到底是"整体均匀"还是"少数人撑场面"。这个顺序比一上来就盯着均值看要靠谱得多。

2. 四分位数的计算：不同算法为什么结果不一样

2.1 位置法的核心思路

四分位数计算最容易让人困惑的地方，是同一组数据用不同工具算出来的 Q1、Q3 居然对不上。这不是谁算错了，而是分位数的定义本身就有多种流派。理解这一点，比死记某个公式重要得多。

所有算法的底层思路是一样的：先把数据升序排列，然后找到"第 25%、50%、75% 位置"落在哪。问题在于，当位置算出来是个小数（比如 2.75），这个"2.75 位置"到底取哪个值？不同流派给了不同答案：

• 方法一（较常见，很多教材用）：位置 = (n+1) × p，p 是分位比例。算出来是整数就直接取，是小数就在相邻两个数之间做线性插值。
• 方法二（部分软件默认）：位置 = 1 + (n-1) × p，同样做插值。
• 方法三（简单粗暴型）：直接取第 ⌈n×p⌉ 个值，不做插值。

拿 n=10、求 Q1（p=0.25）举例：

• 方法一：位置 = (10+1)×0.25 = 2.75，落在第 2 个值（4）和第 3 个值（4）之间，插值结果还是 4。
• 方法二：位置 = 1 + 9×0.25 = 3.25，落在第 3 个值（4）和第 4 个值（5）之间，插值得 4.25。
• 方法三：⌈10×0.25⌉ = ⌈2.5⌉ = 3，直接取第 3 个值，得 4。

三个方法给出 4、4.25、4 三个结果。你看，差异就出在这里。没有哪个绝对正确，关键是同一份报告里前后保持一致，并且注明用的是哪种算法。我见过有人前半段用 Excel 算、后半段用 Python 算，结果对不上还以为是数据错了，白白排查半天。

2.2 手算一遍，把过程走通

光看公式容易飘，我习惯手算一遍把流程刻进脑子里。还是那组数据3, 4, 4, 5, 5, 6, 7, 8, 10, 48，用方法一（(n+1)×p 插值法）：

第一步，排序。已经是升序了，确认无误。

第二步，算 Q2（中位数）。位置 = (10+1)×0.5 = 5.5，落在第 5 个值（5）和第 6 个值（6）之间，插值：(5+6)/2 = 5.5。

第三步，算 Q1。位置 = (10+1)×0.25 = 2.75，落在第 2 个值（4）和第 3 个值（4）之间。插值公式是：下值 + 小数部分 × (上值 - 下值) = 4 + 0.75×(4-4) = 4。

第四步，算 Q3。位置 = (10+1)×0.75 = 8.25，落在第 8 个值（8）和第 9 个值（10）之间。插值：8 + 0.25×(10-8) = 8.5。

所以 Q1=4，Q2=5.5，Q3=8.5，四分位距 IQR = 8.5 - 4 = 4.5。

提示：插值时那个"小数部分"是位置的小数部分，不是数值的小数部分，别搞混。位置 2.75 的小数部分是 0.75，用它去乘相邻两值的差。

手算的价值在于，你会真切感受到"位置"和"数值"是两回事。很多人第一次学的时候，把位置 2.75 直接当成"取第 2.75 个数"，然后卡住——数据里根本没有第 2.75 个数，插值就是为了解决这个"落在缝里"的问题。

2.3 用代码验证，顺便对比不同库的默认行为

手算完之后，我一般会用代码交叉验证，同时看看不同库的默认算法差异。Python 的 numpy 和 pandas 都提供分位数计算，但默认方法不完全一样：

import numpy as np import pandas as pd data = [3, 4, 4, 5, 5, 6, 7, 8, 10, 48] # numpy 默认 linear 插值（对应方法二那类） q1_np = np.percentile(data, 25) q2_np = np.percentile(data, 50) q3_np = np.percentile(data, 75) print("numpy:", q1_np, q2_np, q3_np) # pandas 默认也是 linear，但可以指定 interpolation 参数 s = pd.Series(data) print("pandas:", s.quantile(0.25), s.quantile(0.5), s.quantile(0.75)) # 指定用中点法（对应方法一那类思路） print("midpoint:", np.percentile(data, 25, method="midpoint"))

跑出来你会发现 numpy 默认给的是 4.25、5.5、7.75 这一组（linear 插值），和我手算的 4、5.5、8.5 有出入——因为手算用的是 (n+1)×p，而 numpy 默认的 linear 用的是 1+(n-1)×p 那套。这不是谁错了，是算法不同。所以我现在的习惯是：报告里写清楚"采用 linear 插值法"，需要和教材对齐时就手动指定 method 参数。

注意：numpy 新版本里interpolation参数已经改名为method，老代码直接跑可能报错，遇到TypeError先查一下版本和参数名。

3. 各类均值的横向比较：算术、几何、调和到底怎么选

3.1 算术均值：最常用，也最容易被滥用

算术均值就是我们平时说的"平均数"，公式简单：所有值加起来除以个数。它的优点是充分利用了每一个数据点，信息不浪费；缺点是对极端值零抵抗，前面收入例子已经演示过了。

算术均值真正适用的场景，是数据本身比较对称、没有明显离群点，而且你关心的是"总量摊平"的概念。比如一个班 40 个人的平均身高、一批产品的平均重量，这类数据天然不会有离谱的极端值，算术均值就很合适。

但一旦数据是右偏分布（少数大值拖尾），算术均值就会系统性偏高。收入、房价、浏览量、订单金额，这些几乎都是右偏的，所以看这类数据时，我基本都会同时报中位数，甚至优先报中位数。

3.2 几何均值：处理比率和增长的正确姿势

几何均值是 n 个数连乘后开 n 次方。它专门用来处理比率、增长率、倍数这类"相乘关系"的数据。为什么？因为比率的"平均"本质上是复合增长，不是简单相加。

举个经典例子。某指标第一年涨了 100%（变成 2 倍），第二年跌了 50%（变成 0.5 倍）。如果用算术均值算平均增长率：(100% + (-50%))/2 = 25%，看起来两年平均涨 25%。但实际上，2 × 0.5 = 1，两年下来原地踏步，真实平均增长率是 0。用几何均值算倍数：√(2 × 0.5) = √1 = 1，对应增长率 0，这才是对的。

所以只要数据是"倍数"或"比率"形式，就该用几何均值。常见的坑是拿算术均值去平均一堆增长率，结果算出来的"平均增长"根本对不上实际的复合结果。我见过有人算三年营收平均增速，直接用算术平均，算出来比实际复合增速高出一截，汇报时被追问才发现问题。

几何均值的计算要点：先把每个比率转成倍数（涨 20% 就是 1.2，跌 20% 就是 0.8），连乘后开 n 次方，再减 1 转回增长率。注意数据里不能有 0 或负数，否则几何均值无定义——这也是它的一个硬约束。

3.3 调和均值：被低估的"平均速度"工具

调和均值是 n 除以"每个数倒数的和"，公式是 n / (1/x₁ + 1/x₂ + ... + 1/xₙ)。它最典型的应用场景是平均速率，尤其是"相同距离、不同速度"的情况。

经典例子：一段路，去程速度 60，回程速度 40，问平均速度。很多人脱口而出 (60+40)/2 = 50，错了。因为去程和回程走的是同一段距离，速度快的那段用时短，慢的那段用时长，时间权重不一样。正确算法是调和均值：2 / (1/60 + 1/40) = 2 / (0.01667 + 0.025) = 2 / 0.04167 = 48。平均速度是 48，不是 50。

调和均值的适用条件是：分子（比如总距离、总工作量）固定，分母（速度、效率）变化。只要符合这个结构，就该用调和均值。它还有个特点：调和均值 ≤ 几何均值 ≤ 算术均值，三者相等当且仅当所有数据相同。这个不等式关系可以拿来快速校验——如果你算出来调和均值比算术均值还大，那一定是哪里搞反了。

3.4 三者的选择决策表

我把选择逻辑整理成一张表，实际用的时候对着看就行：

这张表背后其实是一条统一的原则：看数据之间是"相加"还是"相乘"关系。相加关系用算术，相乘关系用几何，而"总量固定、按比率分配"的结构用调和。理解了这条，就不用死记场景了。

4. 四分位数与均值的实战配合：从描述到异常识别

4.1 用 IQR 做异常值筛查

四分位数最实用的衍生用法，是基于 IQR 的异常值判定。规则很简单：

• 下界 = Q1 - 1.5 × IQR
• 上界 = Q3 + 1.5 × IQR
• 落在上下界之外的，视为疑似异常值。

还是那组数据，Q1=4，Q3=8.5，IQR=4.5。下界 = 4 - 1.5×4.5 = 4 - 6.75 = -2.75，上界 = 8.5 + 1.5×4.5 = 8.5 + 6.75 = 15.25。那个 48 远超上界 15.25，妥妥的异常值。

这个 1.5 倍系数不是随便定的，它来自正态分布的经验：正态分布下，落在 Q1-1.5IQR 到 Q3+1.5IQR 之外的数据大约只占 0.7%，属于小概率事件。所以这套规则本质上是"用四分位数画一个稳健的正常范围"。相比用"均值 ± 3 倍标准差"判异常，IQR 法不受极端值本身影响——因为 Q1、Q3 都是位置统计量，那个 48 再大，也不会改变它排在第 10 位这个事实。

提示：IQR 法判出来的"异常"只是统计意义上的离群，不代表数据错误。收入数据里高收入者本来就该存在，不能一删了之。异常值要先判断是"错误值"还是"真实极端值"，前者修正或剔除，后者保留并单独说明。

4.2 箱线图：四分位数的可视化落地

四分位数最直观的呈现方式就是箱线图。箱体的下边是 Q1，中间线是 Q2，上边是 Q3，箱体高度就是 IQR；两端的"须"一般延伸到 1.5 倍 IQR 范围内的最远数据点，超出的点单独画成离群点。

用 Python 画一个：

import matplotlib.pyplot as plt data = [3, 4, 4, 5, 5, 6, 7, 8, 10, 48] plt.boxplot(data, vert=False) plt.xlabel("月收入（千元）") plt.title("收入分布箱线图") plt.show()

图一出来，那个 48 会孤零零地飘在右边，箱体则挤在左侧——一眼就能看出"绝大多数人集中，个别极端值拉尾"。这种视觉冲击是均值给不了的。我现在的习惯是，任何一组数据在报均值之前，先画个箱线图看看形状，很多"均值看起来正常"的假象当场就破了。

4.3 均值和中位数的差距，本身就是信息

有个技巧我特别爱用：把均值减中位数当成一个"偏态指示器"。差值接近 0，说明分布大致对称；均值明显大于中位数，说明右偏（少数大值拖尾）；均值明显小于中位数，说明左偏。

前面收入例子，均值 10、中位数 5.5，差 4.5，明显右偏，和箱线图看到的完全一致。这个判断不需要算偏度系数，心算就能得出方向，特别适合快速摸底。当然它只是定性判断，要精确的偏态程度还是得用偏度统计量，但作为第一眼的直觉校验，够用了。

再配合四分位数看"中间 50% 的跨度"（IQR），就能把一组数据的性格描述得比较完整：中心在哪（中位数）、偏不偏（均值-中位数）、中间挤不挤（IQR）、有没有尾巴（箱线图离群点）。这四个问题答完，基本就不会被数据骗了。

5. 实操中踩过的坑和几条硬经验

5.1 分位数算法不一致导致的对不上

这个坑我踩过不止一次。同一份数据，Excel 的 QUARTILE 函数、Python 的 numpy、还有某些 BI 工具，算出来的 Q1 可能差零点几。原因就是前面说的算法流派不同。解决办法只有一个：在报告里注明算法，团队内部统一工具和参数。如果是给外部看的报告，最好附一句"分位数采用线性插值法计算"，省得别人拿别的工具复现时对不上来质疑你。

5.2 小样本下四分位数很不稳定

n 很小的时候（比如 n<10），四分位数的位置会落在很尴尬的地方，插值出来的结果对个别数据点极其敏感。我试过 n=6 的数据，加一个数减一个数，Q1 能跳一大截。所以样本量太小时，四分位数只能当参考，别当铁律。这时候更该看原始数据本身，而不是迷信某个分位点。

5.3 别把"平均增长率"算成算术平均

这是几何均值那节讲过的坑，但值得再强调一次，因为它太常见了。只要涉及"连续几年的增长率""连续几期的倍数变化"，一律用几何均值。判断方法很简单：问自己"这些比率是相乘关系还是相加关系"，相乘就用几何。我见过太多汇报里用算术平均算复合增速，数字漂亮但经不起推敲。

5.4 均值缺失时别急着填均值

做数据清洗时，遇到缺失值，很多人的第一反应是"用均值填充"。但如果数据是右偏的（收入、金额这类），用均值填充会把整体水平往上抬，因为均值本身就被极端值拉高了。这种场景下用中位数填充更稳妥，它不会被极端值带偏。这个细节看起来小，但对后续分析的影响不小，尤其是缺失比例较高的时候。

5.5 报数时把"一组数"一起报，别只报一个

最后一条是我觉得最重要的经验：集中趋势从来不是一个数能说清的。我现在报数据，习惯至少给"均值 + 中位数 + Q1 + Q3"这一组，必要时加个 IQR 和箱线图。单个均值太容易被误读，而一组位置统计量摆在一起，读者自己就能判断数据的形状和可靠性。这不是啰嗦，是对数据负责。

回过头看，四分位数和各类均值的比较，表面上是几个公式的对比，实质上是训练一种"多角度看数据"的思维习惯。均值给你一个点，中位数给你一个更稳的点，四分位数给你一副骨架，几何调和均值则提醒你"数据的结构决定了该用哪种平均"。这套东西学扎实了，后面学方差、偏度、假设检验都会顺很多，因为你会发现它们本质上都在回答同一个问题：这组数据到底长什么样。