Python statistics模块全面教程：均值、中位数、方差与回归分析

Python入门：Python3 statistics模块全面学习教程

手上有一堆数字，比如一个班的期末成绩、门店一周的销售流水，或者传感器采回的温湿度值，你想快速算个平均分、中位数、方差，看看数据集中程度。多数人的第一反应是打开Excel，或者去装pandas、numpy这类重型库。但有个大多数入门教程不怎么提的工具，其实就够了——Python 3自带的statistics模块，标准库里的统计工具箱，零安装、零依赖，专门处理这类日常统计计算。

这篇文章不打算罗列官方文档的函数签名，而是从一个实际使用者的角度，把statistics模块的每个常用函数、容易踩的坑、以及为什么要这样设计的原因，一次讲透。你不需要深厚的数学背景，我尽量把每个概念都用大白话和案例解释清楚。学完之后，你至少能用纯标准库完成一份像样的数据统计分析报告，也为以后切换到pandas、numpy打下一个“知道统计指标到底在算什么”的地基。

1. statistics模块的定位：标准库里的轻量统计小刀

先说说这个模块的身世。statistics在Python 3.4版本加入标准库，后来在3.8、3.10、3.12等版本里陆续补充了协方差、相关系数、线性回归等功能，一直迭代到今天。它的定位非常明确：为普通Python程序员提供一套基础统计函数，覆盖平均数、中位数、众数、方差、标准差、协方差、相关系数、线性回归等常见场景。

为什么入门阶段特别建议先学它？我自己的体会是，学习路径的陡峭程度完全不同。用pandas做统计，你要先理解DataFrame的结构，要安装库、处理依赖，代码写起来确实强大，但当你还搞不清楚标准差为什么有两种算法的时候，一上来就把数据框塞进.describe()，得到一大张表，反而不知道每一项是什么意思。statistics模块没有这个负担，它的函数就是纯函数：给一个列表，返回一个数字，数学逻辑完全透明，每一行代码在算什么一目了然。

用生活场景类比，statistics就像一把瑞士军刀，pandas则是整套工具箱。旅行出门削个苹果，你不会扛一个装满电钻的箱子，对吧？同理，当你只是想搞清楚一组数据的平均水平或者波动大小时，标准库自带的函数已经足够，而且不需要考虑环境配置问题。

一句话总结它的适用范围：数据量在几千到几万级别、单次统计运算、不需要分组聚合、不需要复杂的表格运算。超过这个范围，比如百万级数组、按列批量处理、需要透视表，那再升级到numpy/pandas，这是合理的演进路线，而不是一上来就上重武器。

2. 功能总览与核心调用方式：一屏看完所有统计函数

在动手写代码之前，先对整个模块的“家底”有个概念。statistics模块的函数可以分为几大类，我用表格给你列一下：

调用方式上，绝大多数函数都接收一个可迭代对象，比如列表[1, 2, 3]、元组(1, 2, 3)，甚至生成器表达式。但要注意几个默认行为：

第一，statistics的函数返回类型不完全是float，mean()在Python 3.11之前对整数输入会返回浮点数，median()也是浮点数。从3.12开始，某些函数对整数输入可以返回精确的Fraction或整数，这个变化对入门者影响不大，但要知道。

第二，空数据一定报错。传一个空列表给mean()，立刻抛出StatisticsError，这是有意设计的，因为空数据集在数学上没有定义平均值。实际编码时提前用if not data判空就好。

第三，混合类型输入，比如列表里既有整数又有浮点数，没问题；但如果混入了字符串，会直接抛TypeError，因为统计函数只接受数值类型。

我建议在本地环境里跑一下这个查看模块内容的命令，对函数清单形成直观印象：

import statistics print(dir(statistics))

会输出模块内所有公开名字，包括mean、median、stdev这些常用函数，还有内部的_convert、_ss之类的私有工具函数。看到这一串名字，你就知道这个模块能干什么了，比背文档强得多。

3. 三种均值的正确打开方式：mean、fmean、geometric_mean、harmonic_mean

3.1 mean：最常见，但小心“平均”骗了你

mean()是普通算术平均数，也是大家最熟悉的“平均分”。公式是sum(data) / len(data)，但直接用sum和len算，有个小问题：如果数据里混入了非数值类型，比如['a', 'b']，sum会报错但错误信息不直观。用statistics.mean()能给出更明确的类型错误提示。

实际使用里，我发现很多新手对平均数有个误解：平均数能代表所有数据吗？答案是否定的。平均数对极端值极其敏感。举个例子，一个小组5个人的月收入是[5000, 6000, 5500, 5200, 30000]，平均一下是10340，但前四个人的收入都在6000附近，这个平均数代表不了“典型水平”。这就是为什么后面要学中位数。平均数适合数据分布比较均匀、没有明显离群点的场景。

3.2 fmean：大数据量时的性能选择

fmean()是mean()的快速浮点版本。区别在于，mean()用了Python的高精度算术来规避浮点累加误差，而fmean()直接把输入统一转成float，用C语言级别的浮点累加，速度快很多。代价是精度略低，但对绝大多数日常数据分析，误差可以忽略。

它还有个额外好处：支持Decimal和Fraction类型。普通的mean()函数对这两种类型会拒绝处理，但fmean()会先把它们转成float再计算。实测下来，处理几万条数据时，fmean()比mean()快大概2到3倍，内存占用也更低。当你用列表推导式生成大量数据时，优先用fmean()。

来看一个对比：

import statistics # 模拟一万条温度数据 temps = [20 + (i % 5) * 0.5 for i in range(10000)] avg1 = statistics.mean(temps) avg2 = statistics.fmean(temps) print(avg1, avg2) # 两者数值相同，fmean更快

3.3 geometric_mean：增长率的正确平均法

geometric_mean()计算几何平均数，就是n个数的乘积再开n次方。什么时候用它？凡是数据之间存在“倍数关系”时，算术平均数会误导。最经典的例子是投资收益率：假设某基金三年收益率分别为10%、20%、-10%，用算术平均数得到(10+20-10)/3=6.7%，但你实际获得的总收益是1.1 * 1.2 * 0.9 - 1 = 0.188 - 1 = 18.8%，换算成年化复合收益率大约6.0%，而不是6.7%。几何平均数才是正确的答案。

Python代码验证：

import statistics returns = [1.10, 1.20, 0.90] # 增长率+1 geom = statistics.geometric_mean(returns) print(geom) # 约1.059，年化约5.9% arith = statistics.mean(returns) print(arith) # 1.0667，明显偏高

任何涉及百分比的增长率、比例、比率数据，无脑用几何平均数就对了。当然前提是所有数为正数，负值会得到复数结果，statistics会直接抛StatisticsError。

3.4 harmonic_mean：速率的平均问题

harmonic_mean()调和平均数，听起来高大上，其实解决的是“单位时间内完成的量”这类平均问题。经典例子：开车去程速度60km/h，返程速度40km/h，问平均车速。算术平均数(60+40)/2=50是错的，因为你在慢速路上花了更长时间。正确算法是2 / (1/60 + 1/40) = 48km/h。调和平均数天然地把“时间权重”因素考虑进去了。

代码示例：

import statistics speeds = [60, 40] harm = statistics.harmonic_mean(speeds) print(harm) # 48.0

日常应用还包括：CPU的平均处理速率、单位价格的平均、批量任务的平均吞吐量。判断标准很简单：如果你的数据是“每单位多少”的比率形式，且每个比率对应的时间或数量不同，调和平均数是最科学的。

4. 中位数系列与分位数：感知数据的“典型位置”

中位数是排序后位于中间位置的值，它对极端值的抵抗力比平均数强得多。statistics模块里中位数有四种变体，初学者容易搞混，我逐一说明。

基础版median()：数据按升序排列，如果是奇数个，取中间那个；如果是偶数个，取中间两个的平均值。这是使用频率最高的一个。

median_low()和median_high()：同样是偶数个数据时的处理方案，前者取中间两个中较小的那个，后者取较大的那个。什么时候用？当你的数据本质是离散整数时，median()算出的平均值可能是0.5这种非整数，不符合实际场景。比如调查问卷打分1到5分，中间两个是3和4，median()给你3.5，但实际你可能更想要么报告“中位数是3”，要么“中位数是4”，用median_low()或median_high()就行。

median_grouped()：处理分组数据的中位数，需要传入interval参数表示组距。比如你有一批身高数据，按5cm一组统计，用interval=5调用这个函数，能基于频数分布估算中位数，而不是要求你提供每个个体的原始值。实际开发中，如果你的数据已经是汇总表而非明细表，这个是唯一能恢复“中间位置”的工具。

再来看分位数。quantiles(data, n=4)把数据按排序后切成n个等份，默认n=4就是四分位数。返回结果是一个长度为n-1的列表，比如n=4返回[25%, 50%, 75%]位置的值。这里要留心：它用的切分方法跟Excel的PERCENTILE.INC略有差异，具体结果是分位点估计，跟教科书上的计算方式可能有细微出入，但不影响实际分析。

做法示例：

import statistics scores = [55, 60, 62, 65, 70, 72, 78, 82, 85, 91] quartiles = statistics.quantiles(scores, n=4) print(quartiles) # [62.75, 71.0, 82.75]

解读：25%的人分数低于62.75，中位数是71，75%的人低于82.75。配合median()一起看，能快速判断数据是否偏态：如果中位数明显低于平均数，说明有少数高分把平均数拉高了，数据右偏。

mode()和multimode()是众数函数，返回出现频次最高的值。mode()对多个众数会报StatisticsError，新版推荐直接用multimode()，它永远返回一个列表，一个众数时长度也是1，方便统一处理。众数适合分类数据，比如统计用户最常用的操作系统、门店销量最高的sku，这些场景平均数、中位数都没意义。

5. 方差与标准差：总体和样本，两套函数千万别混用

方差和标准差是描述数据波动程度的核心指标，statistics模块里有四个关联函数：pvariance/pstdev对应“总体”，variance/stdev对应“样本”。这个“总体 vs 样本”的区分是整个模块里最容易踩的坑，我详细拆开讲。

5.1 为什么同一个数据有两种方差？

假设你手头有一整班50个人的成绩，这是全体数据，叫“总体”。你算所有人的成绩波动程度，用总体方差，分母是n。但更多时候，你手里只是一部分数据，比如从全市所有学生中随机抽了50个人来估算全市成绩波动，这叫“样本”。样本方差的分母是n-1而不是n。

为什么分母要减1？统计学里一个重要的概念是“自由度”。样本均值是被计算出来的，它像一条约束线，当你知道了样本中n-1个数值和均值，最后一个数就被“锁定”了，能自由变化的只有n-1个。为了让样本方差作为总体方差的无偏估计，分母必须用n-1。用人话说：样本方差天生倾向于低估总体方差，减一个自由度能把偏差修正回来。

实际工作中，你几乎永远用的是variance()和stdev()，因为真正的“总体数据”少之又少。除非你能确认你的数据覆盖了全部个体，比如“全班”“全公司”“全年产生的订单”这类完整集合，才用pvariance()和pstdev()。

5.2 标准差为什么比方差好用？

方差是标准差的平方，单位是原始单位的平方，比如数据单位是“分”，方差单位就是“分²”，不易直观理解。标准差开方后回到原始单位，可以直接和平均数对比。stdev()计算的就是样本标准差，一个数值，单位“分”，表示“大多数数据离平均值大约有多少”。配合经验法则：数据近似正态分布时，约68%的数据落在“均值±1个标准差”内，95%落在“±2个标准差”内。这个直觉比干看方差数字强得多。

实际代码：

import statistics q1_scores = [85, 90, 78, 92, 88, 76, 95, 89] q2_scores = [40, 60, 75, 90, 95, 88, 92, 98] avg1 = statistics.mean(q1_scores) # 86.6 avg2 = statistics.mean(q2_scores) # 79.8 std1 = statistics.stdev(q1_scores) # 6.39 std2 = statistics.stdev(q2_scores) # 19.5

虽然两个班平均分都还可以，但q2班的标准差是q1班的3倍，说明成绩差距悬殊，有的同学极低有的极高，教学问题要比q1班严重得多。平均数一致时，标准差就是鉴别数据质量的照妖镜。

5.3 使用里的小细节

传入数据只有1个时，variance()/stdev()会抛StatisticsError，因为分母n-1是0。这提醒了数据分析的一个基本原则：单个样本点说明不了任何波动程度。传2个值时，方差可以算，但毫无意义，我记得有个数学段子：“两个数据点的标准差，是你对这两个点有多不信任的度量。”所以实际分析时至少准备五六个数据以上。

6. 两个变量的关系：协方差、相关系数与最小线性回归

从版本3.10开始，statistics模块补全了两变量统计分析能力：covariance()、correlation()、linear_regression()。这三个函数让你不装scipy也能快速判断两个变量是否相关，甚至拟合出一条直线。

covariance(x, y)计算样本协方差，衡量两个变量一起变化的趋势。协方差为正，说明一个升高另一个也倾向于升高；为负，则相反。但协方差有个毛病：它的数值大小受变量单位影响，不好衡量相关程度强弱。

correlation(x, y)对协方差做归一化，除以两个变量的标准差，得到皮尔逊相关系数r，范围在-1到1之间。r接近1正相关强，接近-1负相关强，接近0无关。这是判断线性关系强度的标准指标，也是众多机器学习算法里特征筛选的常用依据。

linear_regression(x, y)是真正的线性回归实现：返回LinearRegression对象，有slope（斜率）、intercept（截距）和correlation（相关系数）三个属性。相当于找到一条直线y = slope * x + intercept，让所有点到直线的垂直距离平方和最小，也就是最小二乘法。

来看一个完整的例子，分析广告投入和销售额的关系：

import statistics # 各月广告投入（万元） ads = [2.5, 3.0, 3.5, 4.0, 4.2, 4.8, 5.5, 6.0] # 对应月销售额（万元） sales = [80, 88, 95, 100, 102, 108, 120, 126] r = statistics.correlation(ads, sales) print(f"相关系数: {r:.4f}") # 0.9963，强正相关 reg = statistics.linear_regression(ads, sales) print(f"斜率: {reg.slope:.2f}") # 每多投1万广告，销售额增约17.6万 print(f"截距: {reg.intercept:.2f}") # 不投广告时基础销售额约 33.1万 predict = reg.slope * 7.0 + reg.intercept print(f"投入7万元时预测销售额: {predict:.2f}")

这段代码相当于实现了一个最简版本的预测模型，全部基于标准库。要注意的是，linear_regression()要求传入的两个序列长度一致，否则抛StatisticsError；另外它假设自变量x没有测量误差，因变量y存在随机误差，这是经典的最小二乘模型假设。如果你要做更细致的回归诊断，比如看残差、p值、置信区间，那确实得上scipy.stats或statsmodels，这个模块帮你完成的是“快速看趋势”阶段。

7. 实践中最容易踩的边界与坑，一次补齐

这部分是真正的经验集锦。statistics模块自己不怎么出问题，出问题的往往是使用者对它的预期不对。我把实际用下来容易翻车的地方全部列一遍。

7.1 空序列与单元素序列

前面提过，mean()空序列报StatisticsError，variance()单元素报StatisticsError。但很多新手写代码时不检查，直接让用户的输入流进来，结果线上脚本半夜崩溃。标准做法是写个安全的包装：

import statistics def safe_mean(data): if not data: return None return statistics.mean(data)

7.2 非数值类型混入

列表里有一个字符串，整个统计就炸了。复杂一点的场景：从网页爬下来的数据是文本格式，比如带单位的"20°C"，直接统计会TypeError。要先清洗转换成数值。这个不是模块的问题，但它是使用中最高频的问题。

7.3 Decimal与Fraction的基本盘

mean()明确不支持Decimal和Fraction，会报TypeError，理由是这类精确类型混进浮点运算会丢失精度语义。解决办法有两个：用fmean()（它会转换），或者先把Decimal转成float。做财务计算时不建议转float，会有精度损失，应该用decimal.Decimal手工计算，而不是依赖statistics。

7.4 大数据量下的性能问题

statistics的多数函数是先加载整个序列再运算，内部有些实现是先把数据转成float列表，两遍扫描。数据量上了几十万、上百万时，性能明显劣化，内存也可能紧张。这时候我建议切到numpy，它用C语言连续内存存储，速度是标准库的几十倍。什么时候切换？我的经验阈值是：单次统计处理的列表长度超过10万，且需要反复迭代计算，就该换工具了。

7.5 偏态数据不要只报告平均数

statistics模块给了你很多工具，但工具不会替你思考。遇到收入、房价这类右偏分布数据，只报告mean()会严重失真。我建议的标准配置是：同时报告mean()、median()、stdev()三个数，让它们互相验证。如果平均数明显大于中位数，说明存在拉高平均值的极端值；“平均数—中位数”的差值本身就是一个有价值的信息。

7.6quantiles()的切分方法差异

前面提到quantiles()实现的切分算法跟Excel的PERCENTILE.INC不完全一样。具体来说，它用了一种“线性插值定位法”，结果偏向于数据中的实际观测值，而不是严格按照(n-1)*p的公式插值。若你的分析报告需要跟Excel结果完全一致，建议用numpy.percentile()或者自己写插值公式，而不是直接用statistics.quantiles()。

7.7 两变量序列需要等长

covariance()、correlation()、linear_regression()都会先检查两个序列长度，不一致会抛StatisticsError，消息是“X and Y must be the same size”。实际从数据库拉数据时，常会遇到一列有缺失值、另一列没有的情况，需要先用zip()过滤或pandas对齐，再传入统计函数。

8. 综合实战：用statistics模块完成一份班级成绩分析

把前面所有内容串起来，做一个完整的实战任务。场景是：老师给了两个班的上学期期末成绩，要求输出一份分析报告，包含各班的平均分、中位数、标准差、四分位数，并判断两个班的成绩差异是否有参考意义。

import statistics # 两个班的成绩原始数据 class_a = [78, 82, 91, 65, 70, 85, 88, 92, 76, 83, 79, 95, 68, 74, 80] class_b = [58, 62, 45, 80, 95, 78, 82, 44, 60, 88, 72, 90, 55, 61, 70] def describe(className, data): avg = statistics.mean(data) med = statistics.median(data) std = statistics.stdev(data) q1, q2, q3 = statistics.quantiles(data, n=4) # 这时q2就是中位数 print(f"--- {className} ---") print(f"平均分: {avg:.1f}") print(f"中位数: {med:.1f}") print(f"标准差: {std:.1f}") print(f"四分位数: Q1={q1:.1f}, Q2={q2:.1f}, Q3={q3:.1f}") print(f"最高分: {max(data)}, 最低分: {min(data)}") print() describe("A班", class_a) describe("B班", class_b) # 两个班合并后的总体情况 all_data = class_a + class_b print("合并后样本标准差:", statistics.stdev(all_data))

再进一步，看看成绩和学习时长的关系：

# 假设每个学生对应的每周学习时长（小时） study_hours_a = [5, 6, 9, 3, 4, 8, 8, 10, 5, 7, 6, 12, 3, 4, 6] study_hours_b = [2, 3, 1, 6, 10, 5, 6, 1, 2, 9, 4, 11, 1, 2, 4] # 两个班合并后的学习时长与成绩 all_hours = study_hours_a + study_hours_b r = statistics.correlation(all_hours, all_data) reg = statistics.linear_regression(all_hours, all_data) print(f"学习时长与成绩的相关系数: {r:.3f}") print(f"回归方程: 成绩 = {reg.slope:.2f} * 学习时长 + {reg.intercept:.2f}")

这段代码跑完，你就能得到完整的趋势判断：相关系数约0.83，说明学习时长确实和成绩强正相关；回归斜率的含义是“每周多学1小时，成绩平均上涨约4.3分”。这种话术写进分析报告或周报里，比只说“我们分析了成绩”有说服力得多。

我把这个分析脚本保存在一个grade_report.py里，后续每次考试数据更新，改一下列表就能复用。如果你要拓展成更通用的工具，可以把它包装成一个函数，接收文件路径和班级编号，自动读取CSV并生成报告，完全用标准库的csv模块就能搞定。

我个人在实际项目中还有一个小习惯：任何用statistics算出的关键结论，都要打印出原始数据的规模和基本形态，比如样本量n、是否有异常值。这样万一结论被质疑，你能立刻回溯检查。数据统计这行，结论依据越透明，越值得信任。

statistics模块到这里就全覆盖了。它是Python标准库里被低估的宝藏，虽然名字朴素，但日常遇到的数据分析需求，八成都用得上。学完它再去看numpy和pandas，你会发现自己对统计指标的理解扎实很多，而不是条件反射一样地调用.mean()却不知道背后在算什么。