通过各种渠道将数据收集上来之后，接下来的任务就是对数据进行加工整理。使之符合统计分析的需要，同时对数据进行图标展示，以发现数据中的一些基本特征，为进一步分析提供思路。
1数据的的预处理：审核-筛选-排序
数据的审核
数据的审核就是检查数据中是否有错误。
对于通过调查获取的原始数据（raw data），应主要从完整性和准确性两个方面去审核。完整性审核主要是检查应调查单位或个体是否有遗漏，所有的调查项目是否填写齐全等。准确性审核主要检查数据是否有错误，是否存在异常值等。对于异常值要仔细的鉴别：如果异常值属于记录时的错粗，在分析之前应该予以纠正；如果异常值是一个正确的值，则应该予以保留。
对于通过其他渠道得来的二手数据，应着重审核数据的适用性和时效性。
数据的筛选（data filter）：包含两方面的内容：一是将某些部分和要求的数据或有明显错误的数据予以剔除；而是将符合某种特定条件的数据筛选出来，而不符合特定条件的数据予以剔除，数据的筛选可借助计算机自动完成。
透视表的计算与练习
2品质数据的整理与展示
对品质数据主要做分类整理，对数值型数据则主要做分组整理。品质数据包括分类数据和顺序数据。
分类数据的整理与图示
分类数据本身就是对事物的一种分类，因此，在整理时首先列出所分的类别，然后计算出每一类别的频数、频率或比例、比率等，即可形成一张频数分布表，最后根据需要选择适当的图形进行展示，以便对数据即其特征有一个初步的了解。
由连个个或两个以上变量交叉分类的频数分布表也称为列联表（contingency table）;二维的列联表（两个变量交叉分类）也称为交叉表（cross table）。
分类数据相关图标介绍
（1）条形图（bar chart）是用宽度相同的条形的高度或长短来表示数据多少的图形。当条形图横置或纵置时称为柱状图（column chart）。
（2）帕累托图（pareto chart）该图是按照各类数据出现的频数多少排序后绘制的条形图。
（3）饼图（pie chart）
（4）环形图 （doughnut chart）
顺序数据的整理与图示
上面介绍的分类数据的频数分布和图示方法，如频数、比例、百分比、比率、条形图和饼图，也都是用于顺序数据的整理与显示。对于顺序数据，除了可使用上面整理和显示技术，还可以计算累计频数和累计频率。
累计频数（cumulative frequencies）是将各累有序类别或组的频数逐级累加起来得到的频数。通过累积频数，可以很容易看出某一类别（或数值）一下或某一类别（或数值）以上的频数之和。
累计频率或累积百分比（cumulative percentages）是将各有序类别或组的百分比逐级累加起来，它也有向上累积和向下累积两种方法。
3数值型数据的整理与展示
数据的分组
将原始数据按照某种标准化分成不同组别，分组后的数据成为分组数（grouped data）。数据分组的主要目的是观察数据的分布特征。数据经分组后再计算出各组中数据出现的频数，就形成了一张频数分布表。数据精分组后再计算出各组中数据出现的频数，就形成了一个频数分布表。数据分组的方法有单变量分组和组距分组两种。单变量分组是把每一个变量值作为一组，这种分组通常只适合离散变量，且唉变量值较少的情况下使用。在连续变量或变量值较多的情况下，通常采取组距分组。它是将全部变量值一次划分为若干个区间，并将这一区间的变量值作为一组。在组距分组中，一个组的最小值成为下限（lower limit）；一个组的最大值称为上限（upper limited）
第一步：组数的确定。一般情况下：5到15组
第二步：确定各组的组距。组距（class width）是一个上限与下限的差。
第三步：根据分组整理频数分布表。
采用组距分组时，需要遵循不重不漏的原则。补充是指一项数据只能在其中的某一组，不能在其他组中重复出现；不漏是指组别能够穷尽，即在所分的全部组别中没想数据能分在其中的某一组，不能遗漏。
为了解决不重的问题，统计分组时习惯上规定“上组限不在内”。
在组距分组时，如果个组的组距相等则成为等距分组。有时，对于某些特殊现象或为了特定的研究需要，也可以采用不等距分组。
组距分组掩盖了各组内的数据分布状况，为了反映各组数据的一般水平，我们通常采用组中值作为给组数据的一个代表值。组中值（classmidpoint）
需要注意的是试用组中值代表一组数据时有一个必要的假设条件，即各组数据在本组内呈均匀分布或在组中值两侧呈对称分布。如果实际数据的分布不符合这一假设，用组中值作为一组数据的代表会有一定的误差。
为了统计分析的需要，有时需要观察某一数值一下或者以上的频数或频率之和，这时候可以计算出了极品书或者累积频率。
数值型数据的图示
(1)分组数据：直方图（histogram）
(2)未分组数据：茎叶图和箱线图
茎叶图 （tem and leafdisplay）是反映原始数据分布的图形。它由茎和叶两部分组成。通过茎叶图，可以看出数据的分布形状即数据的离散状况。比如，分布是否对称，数据是否集中，是否有离散等等。
绘制茎叶图的关键是设计好树茎，而且也上只保留该数值的最后一个数字。例如，125分成12/5,12分成1/2,1.25分成12/5(单位：0.01)，等等。前部分是树精，后部分是树叶。树茎一旦确定，树叶就自然地长在相应的树茎上了。
茎叶图类似与横置直方图，与直方图相比，茎叶图既能给出数据的分布状况，又能给出每一个原是数值，即保留了原始数据信息。在应用方面，直方图通常适用于大批量数据，茎叶图通常适用于小批量数据。
箱线图（box plot）是一组数据的最大值（maxiumu）、最小值（minimum）、中位数（median）和四分卫数（quartiles）。这五个特征值绘制而成的箱线图，主要反映原始数据的特征，还可以进行多组数据分布特征的比较。
（3）时间序列数据：线图（line plot）
如果数值型数据是在不同的时间上取得的，即时间序列数据，则可以绘制线图。线图主要用于反映现象随时间变化的特征。
4多变量数据的图表
上面介绍的一些图形描述都是单变量数据。当有两个或两个以上变量时，可以采取用多变量的图示方法，常见的有散点图、气泡图、雷达图等。
（1）散点图（scattered diagram）
（2）气泡图（bubble chart）可用于展示三个变量之间的关系。它与散点图绘制时候类似，将一个变量放在横轴，另一个变量放在纵轴，而第三个变量则用旗袍的大小来表示。
（3）雷达图（radar chart）是显示多个变量常用的图示方法，也称为蜘蛛图（spider chart）。
选择合理的图表
4合理使用图标表
一个好的图标具备的特征：
（1）显示数据
（2）让读者把注意力集中在图形的内容上，而不是制作图形的程序上
（3）避免歪曲
（4）强调数据之间的比较
（5）服务于一个明确的目的
（6）有对图形的统计描述和文字说明
统计表的设计
统计表主要由四部分组成：即表头、航标题、列标题和数字资料，此外在有必要的收购可以在统计表的下方加上表外附加。
网友评论