朱利平 中國人民大學(xué)統(tǒng)計(jì)與大數(shù)據(jù)研究院副院長、博士生導(dǎo)師

大約五六年前，我聽到的報告絕大部分都是屬于“大數(shù)據(jù)給我們帶來的機(jī)遇與挑戰(zhàn)”這一類的。但最近一些年，很多問題開始陸續(xù)落地了，感覺能夠聽到一些比較有意思的大數(shù)據(jù)應(yīng)用。

我來之前，主辦方讓我給大家介紹一下統(tǒng)計(jì)和大數(shù)據(jù)。那么該介紹些什么呢？那就從入門的地方開始，盡量讓大家能聽懂。我大學(xué)選專業(yè)的時候，不知道統(tǒng)計(jì)是什么，以為統(tǒng)計(jì)就是加加減減?，F(xiàn)在開始對統(tǒng)計(jì)有重新的認(rèn)識。所以我再給大家介紹一下，怎么認(rèn)識統(tǒng)計(jì)？怎么去認(rèn)識這些數(shù)據(jù)？怎么去分析這些數(shù)據(jù)？一些統(tǒng)計(jì)數(shù)據(jù)是怎么誤導(dǎo)大家的？這里面有很多誤區(qū)。另外，一些統(tǒng)計(jì)數(shù)據(jù)為什么會與大家的常識或者印象有偏差？最后給大家看看幾個簡單的應(yīng)用。

一、如何認(rèn)識數(shù)據(jù)？有哪些數(shù)據(jù)類型？

什么是數(shù)據(jù)？在我們看來，聲音、文字、圖片、視頻音頻、文本等，這些都可以算作我們分析的數(shù)據(jù)。比如之前網(wǎng)上有一個很有意思的游戲，你在網(wǎng)上拍一張圖片，然后上傳，由此可以判斷你的年齡是多少。

數(shù)據(jù)一般長什么樣？我們假設(shè)豬八戒、唐僧、孫悟空、沙和尚師徒四人一起去考試，考試有準(zhǔn)考證號碼或身份證號碼，身份證號碼的前面六位一般表示你的地區(qū)信息。第二個信息是你的名字。還有一個性別，以及你是哪個年級的。最后，現(xiàn)在考試成績我們都要求有ABCD四個等級，然后這個成績要轉(zhuǎn)換成基點(diǎn)，以及你的原始成績是多少、考試時長。這個表格（如上圖）特別簡單，但是卻幾乎囊括了我們所有要接觸的數(shù)據(jù)類型。從以上表格可以看出，豬八戒考試得了100分，孫悟空坐不住，12分鐘就交卷了。

我們常常會接觸的數(shù)據(jù)有哪些呢？第一類叫名義變量。什么是名義變量？比如性別、年齡這一類的數(shù)字，它沒有大小的關(guān)系，只是一個代碼。例如我用“1”來表示男，用“2”來表示女，用身份證號碼的前面六位表示你的出生地信息。這些數(shù)字的大小，沒有高低，也沒有先后，是沒有任何含義的，只是一個記號。上圖表格中，我們看到的第一類數(shù)據(jù)就是名義變量。

第二類是次序變量。次序變量是跟順序有關(guān)的數(shù)據(jù)，它有很多用途。每一個變量的大小，是表示先后順序的，而不是倍數(shù)關(guān)系。比如1號店做的一個簡單的大數(shù)據(jù)分析，統(tǒng)計(jì)上海市高校購買零食的情況，然后看看哪一所大學(xué)買零食最多。這是很容易統(tǒng)計(jì)的，我們只要看看郵寄地址，就可以知道哪個地方“吃貨”最多。但這個數(shù)據(jù)是按絕對數(shù)量統(tǒng)計(jì)的，比如上海大學(xué)，它在上海有特別多校區(qū)，本身人數(shù)上的規(guī)模就非常大。所以這并不是上海大學(xué)每個同學(xué)都好吃，而是它的學(xué)校本身的絕對量大。

再比如上面這個例子，顏值最高大學(xué)。這也是1號店做的統(tǒng)計(jì)，怎么統(tǒng)計(jì)的呢？看哪一個大學(xué)，買化妝品買得最多。化妝品買得最多的，顏值最高。

第三個，哪個高校潮人最多。怎么衡量是不是潮人？這也全是1號店的數(shù)據(jù)?？闯比司涂促I單反，只看這一個指標(biāo)，這個指標(biāo)不一定準(zhǔn)確。但是很多大數(shù)據(jù)現(xiàn)在都停留在娛樂階段。當(dāng)然，娛樂之外，還有真正跟科學(xué)有關(guān)的一些問題。

他們統(tǒng)計(jì)了很多指標(biāo)，其中一個叫暖男最多的大學(xué)。這就是統(tǒng)計(jì)男性給女性買用品。

這些排行榜誰排第一，誰排第二，有一個高低、先后順序。但不是說排第二的就是排第一的兩倍。我們回頭看之前的成績表。成績表分了ABCD四段，A段的學(xué)生排第一段，B段的學(xué)生就排第二段，C段的學(xué)生就排第三段。所以成績表中也有第二類數(shù)據(jù)。