4. 描述性统计分析：集中趋势、离散程度与分布形态

大家好，我是老张。今天咱们聊聊测试数据分析里最基础、也最实用的一块——描述性统计。说白了，就是拿到一堆测试数据后，怎么用几个数字快速描述出这堆数据的“脾气秉性”。

你想想看，每次跑完一轮测试，日志里成千上万条数据。光靠肉眼扫，根本看不出门道。这时候就需要描述性统计登场了。我个人习惯，拿到数据第一件事，就是算这三个维度：集中趋势、离散程度、分布形态。

4.1 集中趋势：数据都往哪儿聚？

集中趋势，就是回答一个问题：“这批数据，大概在什么位置？” 常用的指标有三个：均值、中位数、众数。

4.1.1 均值（Mean）

均值就是算术平均数。大家都会算，但我要说的是——均值很脆弱。我在项目中遇到过，一个接口的响应时间，99%的请求都在50ms以内，突然有一次超时到了10秒。均值一下子从48ms飙到了150ms。你看，一个异常点就把均值带偏了。

所以，均值适合数据比较“干净”、没有极端值的情况。比如CPU使用率，一般波动不大，用均值就很靠谱。

import numpy as np
response_times = [45, 48, 52, 47, 10000, 46, 49, 51, 44, 50]
mean_value = np.mean(response_times)
print(f"均值: {mean_value:.2f} ms")  # 输出: 均值: 1053.20 ms

4.1.2 中位数（Median）

中位数，就是把数据从小到大排好，取中间那个数。它不怕极端值。刚才那个例子，用中位数看看：

median_value = np.median(response_times)
print(f"中位数: {median_value:.2f} ms")  # 输出: 中位数: 48.50 ms

你看，中位数稳稳地停在48.5ms，这才是大多数请求的真实表现。我建议，在分析响应时间、延迟这类数据时，优先看中位数。它比均值更能反映“大多数用户的体验”。

4.1.3 众数（Mode）

众数，就是出现次数最多的那个值。在测试数据里，众数能帮我们发现“最常见的状态”。比如，分析错误码分布时，众数告诉你哪个错误码出现得最频繁。

from scipy import stats
error_codes = [200, 200, 404, 500, 200, 404, 200, 200, 503, 200]
mode_result = stats.mode(error_codes)
print(f"众数: {mode_result.mode[0]}, 出现次数: {mode_result.count[0]}")

4.2 离散程度：数据到底有多散？

集中趋势告诉你数据在哪儿，离散程度告诉你数据“散不散”。两个系统，平均响应时间都是50ms，但一个波动在±5ms，另一个波动在±50ms。体验能一样吗？

4.2.1 极差（Range）

极差 = 最大值 - 最小值。最简单粗暴的离散指标。但它只看两头，中间的数据波动它不管。我曾经用它快速判断一次压测有没有“毛刺”——如果极差突然变大，大概率有异常。

data_range = np.max(response_times) - np.min(response_times)
print(f"极差: {data_range} ms")

4.2.2 方差与标准差（Variance & Standard Deviation）

方差，衡量每个数据与均值的平均偏离程度。标准差是方差的平方根，单位跟原始数据一致，更好理解。

嗯，这里要注意：标准差越小，数据越稳定；标准差越大，数据越“暴躁”。我在做稳定性测试时，特别喜欢看标准差。如果一个模块的内存占用标准差突然变大，说明内存管理可能出了问题。

variance = np.var(response_times, ddof=1)  # 样本方差
std_dev = np.std(response_times, ddof=1)   # 样本标准差
print(f"方差: {variance:.2f}, 标准差: {std_dev:.2f}")

4.3 分布形态：数据长什么样？

光知道位置和离散程度还不够。数据是“左偏”还是“右偏”？是“尖峰”还是“平顶”？这就要看偏度和峰度了。

4.3.1 偏度（Skewness）

偏度衡量数据分布的不对称性。

• 偏度 = 0：对称分布，比如正态分布。
• 偏度 > 0：右偏（正偏），尾巴在右边。说明有少量很大的值把均值拉高了。
• 偏度 < 0：左偏（负偏），尾巴在左边。说明有少量很小的值把均值拉低了。

我记得有一次分析数据库查询耗时，偏度值高达3.2。一看数据，果然有几个大查询拖了后腿。这就是典型的右偏分布。

skewness = stats.skew(response_times)
print(f"偏度: {skewness:.2f}")

4.3.2 峰度（Kurtosis）

峰度衡量数据分布的“尖峭”程度。它告诉我们数据是集中在均值附近，还是分散在两边。

• 峰度 ≈ 0：正态分布的峰度（通常用超额峰度，正态分布为0）。
• 峰度 > 0：尖峰分布。数据集中在均值附近，尾部较厚。说明异常值可能更多。
• 峰度 < 0：平峰分布。数据比较分散，没有明显的集中趋势。

为什么关心峰度？因为峰度高，意味着“极端事件”发生的概率比正态分布预测的要高。做容量规划时，这个指标很关键。

kurtosis = stats.kurtosis(response_times, fisher=True)  # Fisher定义，正态分布为0
print(f"峰度: {kurtosis:.2f}")

4.4 综合案例：一次接口压测的数据分析

好了，理论讲完了。咱们来一个真实的场景。假设你刚跑完一轮接口压测，拿到了1000个响应时间数据。你会怎么做？

我的习惯是，先算这几个指标：

指标	值	解读
均值	52.3 ms	平均响应时间
中位数	48.1 ms	大多数用户的体验
标准差	15.6 ms	波动范围，越小越稳定
偏度	1.8	右偏，存在少量慢请求
峰度	4.2	尖峰，异常值比预期多

看到这个结果，我会立刻去查那部分“慢请求”的日志。偏度1.8说明问题不大，但峰度4.2提醒我——这些慢请求不是偶然，背后可能有规律。我曾经就靠这个思路，发现了一个连接池泄漏的问题。

好了，这一章就到这里。下一章咱们聊聊“推断性统计”，看看怎么从样本数据推断整体情况。到时候见。