描述性统计分析是数据分析中的基础工作，其主要目的是对数据进行整理和概括，以便更好地理解数据的特征。描述性统计分析的方法有很多，以下是其中几种常见的方法：
1. 平均值（mean）：计算一组数据的总和除以数据的个数，得到每个数据点在数据集中的“平均”位置。平均值是最常用的描述性统计量之一，它反映了数据集的中心位置。
2. 中位数（median）：将一组数据从小到大排序后，位于中间位置的数据点。如果数据点的个数是奇数，则中位数是中间的那个；如果是偶数，则中位数是中间两个数据点的平均数。中位数可以消除极端值的影响，使数据更加稳定。
3. 众数（mode）：一组数据中出现次数最多的数值。众数可以帮助我们了解数据集中的主要趋势。
- 4. 方差（variance）：衡量一组数据分散程度的指标。方差的计算公式为：方差 = Σ[(x
- μ)²] / n，其中x表示每个数据点，μ表示平均值，n表示数据点的个数。方差越大，数据的离散程度越高；方差越小，数据的离散程度越低。
5. 标准差（standard deviation）：方差的平方根，即标准差 = √方差。标准差是衡量数据分散程度的另一个重要指标。标准差越大，数据的离散程度越高；标准差越小，数据的离散程度越低。
6. 极差（range）：数据集中的最大值与最小值之差。极差可以反映数据的波动范围。
7. 四分位数（quartiles）：将一组数据从小到大或从大到小排序后，将中间两个数据点分别作为第一四分位数（Q1）和第二四分位数（Q2）。Q1表示数据的下四分位数，Q2表示数据的上四分位数。四分位数可以帮助我们了解数据集中不同区间的分布情况。
8. 百分位数（percentiles）：将一组数据按照大小顺序排列后，将第10、25、50、75百分位分别作为第一百分位数（P1）、第二百分位数（P2）、第三百分位数（P3）和第四百分位数（P4）。百分位数可以帮助我们了解数据集中不同区间的分布情况。
9. 偏度（skewness）：衡量数据分布对称性的指标。偏度系数为负时，表示数据分布呈右偏；偏度系数为正时，表示数据分布呈左偏。
10. 峰度（kurtosis）：衡量数据分布尖峭程度的指标。峰度系数大于3时，表示数据分布呈尖峭；峰度系数小于等于3时，表示数据分布呈平坦。
以上这些描述性统计量可以帮助我们从多个角度观察和分析数据，从而更全面地了解数据集的特征。在实际数据分析中，我们通常会结合使用这些统计量，以便更准确地描述和解释数据。
