朱利平：统计与大数据

朱利平 中国人民大学统计与大数据研究院副院长、博士生导师

大约五六年前，我听到的报告绝大部分都是属于“大数据给我们带来的机遇与挑战”这一类的。但最近一些年，很多问题开始陆续落地了，感觉能够听到一些比较有意思的大数据应用。

我来之前，主办方让我给大家介绍一下统计和大数据。那么该介绍些什么呢？那就从入门的地方开始，尽量让大家能听懂。我大学选专业的时候，不知道统计是什么，以为统计就是加加减减。现在开始对统计有重新的认识。所以我再给大家介绍一下，怎么认识统计？怎么去认识这些数据？怎么去分析这些数据？一些统计数据是怎么误导大家的？这里面有很多误区。另外，一些统计数据为什么会与大家的常识或者印象有偏差？最后给大家看看几个简单的应用。

一、如何认识数据？有哪些数据类型？

什么是数据？在我们看来，声音、文字、图片、视频音频、文本等，这些都可以算作我们分析的数据。比如之前网上有一个很有意思的游戏，你在网上拍一张图片，然后上传，由此可以判断你的年龄是多少。

数据一般长什么样？我们假设猪八戒、唐僧、孙悟空、沙和尚师徒四人一起去考试，考试有准考证号码或身份证号码，身份证号码的前面六位一般表示你的地区信息。第二个信息是你的名字。还有一个性别，以及你是哪个年级的。最后，现在考试成绩我们都要求有ABCD四个等级，然后这个成绩要转换成基点，以及你的原始成绩是多少、考试时长。这个表格（如上图）特别简单，但是却几乎囊括了我们所有要接触的数据类型。从以上表格可以看出，猪八戒考试得了100分，孙悟空坐不住，12分钟就交卷了。

我们常常会接触的数据有哪些呢？第一类叫名义变量。什么是名义变量？比如性别、年龄这一类的数字，它没有大小的关系，只是一个代码。例如我用“1”来表示男，用“2”来表示女，用身份证号码的前面六位表示你的出生地信息。这些数字的大小，没有高低，也没有先后，是没有任何含义的，只是一个记号。上图表格中，我们看到的第一类数据就是名义变量。

第二类是次序变量。次序变量是跟顺序有关的数据，它有很多用途。每一个变量的大小，是表示先后顺序的，而不是倍数关系。比如1号店做的一个简单的大数据分析，统计上海市高校购买零食的情况，然后看看哪一所大学买零食最多。这是很容易统计的，我们只要看看邮寄地址，就可以知道哪个地方“吃货”最多。但这个数据是按绝对数量统计的，比如上海大学，它在上海有特别多校区，本身人数上的规模就非常大。所以这并不是上海大学每个同学都好吃，而是它的学校本身的绝对量大。

再比如上面这个例子，颜值最高大学。这也是1号店做的统计，怎么统计的呢？看哪一个大学，买化妆品买得最多。化妆品买得最多的，颜值最高。

第三个，哪个高校潮人最多。怎么衡量是不是潮人？这也全是1号店的数据。看潮人就看买单反，只看这一个指标，这个指标不一定准确。但是很多大数据现在都停留在娱乐阶段。当然，娱乐之外，还有真正跟科学有关的一些问题。

他们统计了很多指标，其中一个叫暖男最多的大学。这就是统计男性给女性买用品。

这些排行榜谁排第一，谁排第二，有一个高低、先后顺序。但不是说排第二的就是排第一的两倍。我们回头看之前的成绩表。成绩表分了ABCD四段，A段的学生排第一段，B段的学生就排第二段，C段的学生就排第三段。所以成绩表中也有第二类数据。