如何将数据分组到类别区间中
将数据分组到组距中是描述统计中的关键步骤。其目的是简化大量原始数据，使其更易于阅读、分析，并以频数分布表或直方图的形式呈现。当数据过于多样化和分散时，往往难以识别模式。组距将数据组织成特定的值组，使我们能够更清晰地了解数据分布、最常出现的值，甚至集中趋势。
本文探讨了分组区间的含义、何时需要分组区间，以及将数据分组到分组区间中的实际步骤，并附有应用示例。
1. 理解组距
组距是用于对频数分布中的数据进行分组的数值范围。每个组距通常都有一个下限和一个上限。例如，组距 10-19 表示所有值在 10 到 19 之间的数据都属于该组。
在频数分布表中，组距充当相似值的“容器”。这使得数据比逐一列出所有值更加简洁。组距也是创建直方图和频数多边形等图表的基础。
2. 何时需要对数据进行分组？
并非所有数据都需要划分成组距。分组通常在以下情况下是必要的：
1. 数据量很大，例如超过 30 或 50 个观测值。
2. 数据范围很广，所以数值分布分散，难以读取。
3. 我们想看看分布模式，例如，找出数据是趋向于正态分布、偏态分布还是双峰分布。
4. 数据将以直方图的形式呈现，因为直方图需要区间类别。
如果数据量较小（例如 10 个值），通常一个频率表就足够了，无需间隔。
3. 将数据分组到类别区间中的步骤
以下是形成组距最常用的步骤。
步骤 1：确定最小值和最大值
首先，确定数据的最小值和最大值。
– 最小值 = \( x_{\min} \)
– 最大值 = \( x_{\max} \)
该值将用于计算数据的范围。
步骤 2：计算范围
极差是指最大值与最小值之间的差值：
\[
R = x_{\max} – x_{\min}
\]
范围可以反映数据分布的宽度。
步骤 3：确定类别数 (k)
确定班级数量的方法有很多种。最常用的方法是使用斯特吉斯法则：
\[
k = 1 + 3{,}3 \log_{10}(n)
\]
其中 \( n \) 是数据量。
计算结果通常会四舍五入到最接近的整数（或向上取整），以避免班级数量过少。
除了 Sturges 算法之外，还有一种常见的做法：根据可视化需求和样本量，选择 5 到 12 之间的组距。不过，Sturges 算法更适合较小的数据集。
步骤 4：计算类宽 (i)
组距是指每个组距的长度。计算公式为：
\[
i = \frac{R}{k}
\]
为了便于使用，组距通常会四舍五入到一个“简洁”的数字（例如，5、10、2 或 0,5，具体取决于数据上下文）。这种四舍五入对于确保组距易于阅读和避免混淆至关重要。
如果舍入结果导致无法容纳所有数据，则可以稍微增加类宽。
第五步：确定班级界限
以最小值作为第一组的下限。然后创建连续的区间，直到它们包含最大值。
例如，如果最小值为 32，类宽为 5，则可以创建该类：
– 32–36
– 37–41
– 42–46
- ETC。
重要提示：请确保各类别之间没有空隙或重叠。所有数据值必须完全属于一个类别。
步骤 6：（可选）创建类边界
如果数据是整数（例如，考试分数），通常会创建组边界以使组内数据连续。这可以通过在上限值上加 0,5，在下限值上减 0,5 来实现。
例如，对于第 32-36 类，类边界变为：
– 31,5–36,5
这对于直方图很有用，可以使柱状图之间没有间隙。
步骤 7：计算每个类别的频率
确定组距后，统计每个组距内的数据点数量。结果记录在频数列（f）中。
对于大数据，使用计数法速度更快，误差更小。
步骤 8：构建频率分布表
最小频率分布表包含：
– 班级间隔
– 频率 (f)
您还可以添加其他列，例如：
– 课程中点（十一）
– 累积频率
相对频率（百分比）
4. 数据分组示例
例如，有 40 名学生的考试成绩数据，最低分为 42 分，最高分为 94 分。
1. 最小值 = 42 ，最大值 = 94
2.范围：
\[
R = 94 – 42 = 52
\]
3. 班级数量（Sturges）：
\[
k = 1 + 3{,}3 \log(40)
\approx 1 + 3{,}3(1{,}602)
约 6,29
\]
向上取整到6或7节课。为了更详细地说明，我们选择了7节课。
4. 类宽：
\[
i = \frac{52}{7} \approx 7{,}43
\]
四舍五入为 8。
5. 从 42 开始，以 8 为宽度形成区间：
– 42–49
– 50–57
– 58–65
– 66–73
– 74–81
– 82–89
– 90–97
最后一个区间达到了 97，因此最大值 94 仍然可以容纳。
6. 接下来，根据数据计算每个区间的频数（例如，用折线图表示）。最终表格将显示有多少学生的分数落在某个分数范围内，从而使我们能够快速评估学生的表现。
5. 提高课时效率的技巧
1. 使用一致的类宽，使表格易于比较。
2. 不要设置太多类别，因为表格会变得很长，难以阅读。
3. 不要开设太少的课程，因为重要的信息可能会“丢失”，而且课程分布可能会显得过于粗糙。
4. 根据数据的具体情况调整组距的取整方式。例如，对于温度数据，1 或 0,5 可能比较合适；对于考试分数，5 或 10 通常比较合适。
5. 仔细检查类别边界，确保所有数据都已输入，没有任何缺失值。
结论
将数据分组到不同的组距中是简化数据并清晰展示分布的重要技巧。具体步骤包括：确定最小值和最大值、计算极差、确定组数（通常使用斯特吉斯法则）、计算组距、构建组距，以及计算每个组的频数。通过合理的组距，复杂的原始数据可以转化为易于理解的信息，无论是在表格还是图表中。
如果您需要，我还可以用原始数据（数值列表）创建一个完整的示例，然后编制一个带有直方图的频率分布表。
