波仔
📈 附录A 尾声
📄 一句话概括

附录 A 是一张方向清单：正文讲了方法，这里讲「往下还能往哪走」。 上半五条：统计知识大全、Excel 技巧、Tufte 图形原则、数据透视表、R 社区。 五条里最实用的是数据透视表——它只有一个动作：分组汇总，而这是分析里出现最多的动作。

📝 本章和前面几章的关系

十三章正文到第 13 章结束。附录 A 不再教新方法，只指路。 这里把五条要诀各给一句实话，再用一个 Demo 把透视表的骨架拆开给你看。

一、为什么要有这么一张清单

一本书能讲完的是方法，讲不完的是「下一步学什么」。 附录 A 列了十条，一半是知识方向，一半是工具和习惯。 它的用法不是挨个学，是遇到瓶颈时回来对一眼：现在卡在哪一条上。

清单的价值在于定位，不在于读完。

二、第一到第三条

统计知识大全：不求会推公式，但要知道有哪些方法、各自的前提是什么。 知道「有这个工具」比会用某个工具更重要——不知道它存在，你连搜索都不会搜。 Excel 技巧：快捷键、名称、条件格式。这类东西不产生洞察，只省时间。

省下来的时间才是重点。工具技巧的价值要用「省下的时间干了什么」来衡量。 Tufte 的图形原则：一句话概括是「删掉不承载信息的墨水」。 这条原则和本书第 4 章是一路的：图不是装饰，是比较的工具。

三、第四条：数据透视表

它把「分组汇总」这件事从写公式变成拖字段。 三个区：行放什么、列放什么、值怎么汇总。放对就出表。 而分组汇总，是所有分析里出现频率最高的动作。

第 9 章的直方图是「按区间分组计数」，第 11 章的分区模型是「按部门分组拟合」。 换个说法，它们都是透视表的亲戚。

四、第五条：R 社区

R 的价值一半在语言，一半在社区：CRAN 上有几万个包，统计方法几乎都有现成实现。 遇到一个没见过的检验，先去搜有没有现成包，比从头实现快得多。 但社区也有代价：包的质量参差，文档常常只写到「能跑」。

用别人的实现，前提是你能看懂它的默认参数。默认值不对，结论就反。

五、这五条怎么用

不需要按顺序学。做法是：手头这个任务卡住了，回来对一眼清单。 算不出想要的数 → 第一条（统计知识）。表格动作太慢 → 第二条。图讲不清 → 第三条。 想快速看两个维度的关系 → 第四条。需要某个专门方法 → 第五条。

清单是查的，不是背的。

六、动手 Demo：用八行代码复刻一张数据透视表

四个区域、三个季度、十二行金额，手工做一遍分组求和，再摊成交叉表。 最后换一种汇总方式（平均），看结论怎么变。

DATA = [
    ("华东", "Q1", 120), ("华东", "Q2", 150), ("华东", "Q3", 130),
    ("华北", "Q1", 90), ("华北", "Q2", 110), ("华北", "Q3", 95),
    ("华南", "Q1", 140), ("华南", "Q2", 160), ("华南", "Q3", 170),
    ("西南", "Q1", 70), ("西南", "Q2", 85), ("西南", "Q3", 80),
]

# 行：区域　列：季度　值：求和
acc = {}
for r, q, v in DATA:
    acc[(r, q)] = acc.get((r, q), 0) + v

for r in ("华东", "华北", "华南", "西南"):
    line = "%s" % r
    for q in ("Q1", "Q2", "Q3"):
        line += "  %4d" % acc[(r, q)]
    line += "  | 合计 %4d" % sum(acc[(r, q)] for q in ("Q1", "Q2", "Q3"))
    print(line)

print()
for r in ("华东", "华北", "华南", "西南"):
    sub = [v for rr, q, v in DATA if rr == r]
    print("%s  合计 %4d  平均 %6.1f" % (r, sum(sub), sum(sub) / float(len(sub))))

实跑输出：

--------------------------------------------------------------------
用八行代码复刻一张数据透视表
--------------------------------------------------------------------

  ① 附录 A 上半张清单
  --------------------------------------------------------------------

| 方向 | 它解决什么 | 往下走的入口 |
|---|---|---|
| 统计知识大全 | 知道有哪些方法、什么时候用 | 任何一本统计教材的目录 |
| Excel 技巧 | 把重复的表格动作做快 | 快捷键、名称、条件格式 |
| Tufte 图形原则 | 让图少一点墨水、多一点信息 | 《The Visual Display》 |
| 数据透视表 | 不给公式也能做交叉汇总 | 插入 → 数据透视表 |
| R 社区 | 找现成的统计实现和讨论 | CRAN、邮件列表、StackOverflow |

  五个方向里，最容易被低估的是数据透视表——它把「分组汇总」这件事从写公式变成拖字段。
  而分组汇总，恰好是所有分析里出现频率最高的动作。

  ② 透视表只有三个区
  --------------------------------------------------------------------

| 区 | 放什么 | 代码里对应什么 |
|---|---|---|
| 行 | 按什么分组（部门） | groupby 的第一个键 |
| 列 | 再按什么细分（季度） | groupby 的第二个键 |
| 值 | 汇总什么、怎么汇总 | 聚合函数 |

  三个区放对，透视表就出来了。剩下的都是格式问题。
  透视表不难，难的是想清楚「行放什么、列放什么」。这一步想错，表就白拖。

  ③ 用手算的方式先走一遍
  --------------------------------------------------------------------
  四个区域、三个季度、十二行金额。先按「区域 + 季度」分组求和。
  分组键一共 12 个，正好是 4 区域 × 3 季度。
  这一步和透视表拖字段做的事完全一样，只是它替你点了鼠标。

  ④ 摊成一张交叉表
  --------------------------------------------------------------------

| 区域 | Q1 | Q2 | Q3 | 合计 |
|---|---:|---:|---:|---:|
| 华东 | 120 | 150 | 130 | 400 |
| 华北 | 90 | 110 | 95 | 295 |
| 华南 | 140 | 160 | 170 | 470 |
| 西南 | 70 | 85 | 80 | 235 |

  行合计、列合计都是加出来的，不是另算的。
  交叉表的价值在于「两个维度同时看」：只看区域合计，会漏掉华南在涨、华北在跌。

  ⑤ 换个汇总方式，结论就变
  --------------------------------------------------------------------

| 区域 | 合计 | 平均 |
|---|---:|---:|
| 华东 | 400 | 133.3 |
| 华北 | 295 | 98.3 |
| 华南 | 470 | 156.7 |
| 西南 | 235 | 78.3 |

  求和看规模，平均看水平。四个区都是三期，所以两种排名的顺序一样。
  但只要各区期数不同，两种汇总立刻分叉：期数多的区合计偏高、平均未必。
  透视表的「值字段设置」就是在这里换挡：求和、计数、平均、最大，一句话的事。

acc[(r, q)] 这个字典就是透视表的引擎：键是「行 + 列」，值是「汇总」。 透视表本身没有算法，只有索引。 最后一段换成平均：四个区都是三期，所以排名不变；一旦各区期数不同，求和和平均的排名就会分叉。

30 秒实验

  1. 如果把「区域」放到列、「季度」放到行，表会长成什么样？信息有损失吗？
  2. 想同时看「数量」和「金额」，透视表该怎么摆？
  3. 想一想：为什么说「透视表不难，难的是想清楚行放什么列放什么」？

常见误区

  1. 把透视表当画图工具：它是汇总工具，图是它后面的事。
  2. 行和列随便放：行列放反，交叉表的可读性差很多。
  3. 只做求和：计数、平均、最大往往比求和多信息。
  4. 不看分母：合计高可能只是期数多，不是表现好。
自测三问（点开对答案） 1. 透视表的三个区分别是什么？ —— 行（按什么分组）、列（再按什么细分）、值（汇总什么、怎么汇总）。 2. 为什么说分组汇总是最高频的动作？ —— 因为绝大多数分析问题都要先「按某一类分开」再比较。直方图、分区模型都是它的变体。 3. Tufte 的图形原则一句话是什么？ —— 删掉不承载信息的墨水。图上的每一笔墨都应该对应一个数据事实。

上半五条讲完。下半五条更靠近「怎么把它做完」：加变量、做检验、看随机、协作、以及你自己的专业。

相关笔记