怎麼從 df.describe() 的輸出讀對統計數字？
使用銷售資料集（marketing.csv）進行迴歸分析，附圖程式碼展示資料載入與處理。根據 df.describe() 的輸出結果，下列何者正確？ （describe() 輸出：youtube count=200, mean=176.451, std=103.025, min=0.840, 25%=89.25, 50%=179.700, 75%=262.590, max=355.680；facebook count=199, mean=27.820, std=17.808, min=0.000, 25%=11.940, 50%=27.000, 75%=43.680, max=59.520；newspaper count=200, mean=36.665, std=26.134, min=0.360, 25%=15.300, 50%=30.900, 75%=54.120, max=136.800；sales count=200, mean=16.827, std=6.261, min=1.920, 25%=12.450, 50%=15.480, 75%=20.880, max=32.400）
題目給出 marketing.csv 的 df.describe() 結果，包含 youtube、facebook、newspaper、sales 四個欄位的 count、mean、std、min、25%、50%、75%、max 八個統計量。四個選項各描述其中一個統計數字是否正確。
問你：對照 describe() 的輸出，哪一個描述是正確的？
一句話總結
對照 describe() 輸出，正確的是 D：youtube 欄的 25%（Q1）= 89.25，這就是第一四分位數。選項 A 的總筆數應以 youtube 的 count=200 為準；選項 B 把均值（mean）當成中位數（50%）；選項 C 把 Q1（25%）當成 Q3（75%）。
先感受問題：describe() 的八個格子每個代表什麼
行銷資料分析師小嘉拿到 marketing.csv，用 df.describe() 看摘要。她要搞清楚每一行數字的意思，才不會把均值當中位數、把 Q1 當 Q3：
count：非缺失值的筆數（不是總行數）
mean：算術平均值
std：樣本標準差
min：最小值
25%：第一四分位數（Q1），比 25% 的值還低的臨界點
50%：第二四分位數（Q2），即中位數（Median）
75%：第三四分位數（Q3），比 75% 的值還低的臨界點
max：最大值
這題就是考「你有沒有記住這八個統計量的意義」。
逐一驗證四個選項
- 選項 A：「資料集個數 199 筆，變數 4 個」→ 前半錯。describe() 的 count 欄顯示各欄位的非缺失值筆數：youtube=200、facebook=199（有 1 筆 NaN）、newspaper=200、sales=200。「資料集個數」通常指總行數，應為 200（youtube 和 newspaper 等多數欄都是 200）。199 是 facebook 欄的缺失後筆數，不是整個資料集的總行數。
- 選項 B：「sales 中位數是 16.827」→ 錯。describe() 的 sales 欄：mean=16.827（這是均值），50%=15.480（這才是中位數）。16.827 是平均值，不是中位數。
- 選項 C：「facebook Q3 是 11.94」→ 錯。describe() 的 facebook 欄：25%=11.940（Q1），75%=43.680（Q3）。11.94 是 Q1（第一四分位數），不是 Q3（第三四分位數）。
- 選項 D：「youtube Q1 是 89.25」→ 正確。describe() 的 youtube 欄：25%=89.250。25% 對應的是 Q1（第一四分位數），89.25 就是 youtube 的 Q1。這個描述完全正確。
對照 describe() 輸出表格直接查
小嘉把各選項的說法對照 describe() 表格驗證：
選項 B：「sales 中位數 16.827」→ 查 sales 欄：mean=16.827、50%=15.480。16.827 是均值，50% 才是中位數。→ 錯。
選項 C：「facebook Q3 = 11.94」→ 查 facebook 欄：25%=11.940、75%=43.680。Q3 是 75% = 43.680，不是 11.94。→ 錯。
選項 D：「youtube Q1 = 89.25」→ 查 youtube 欄：25%=89.250。Q1 = 25% = 89.25。→ 正確！
這就是選項 D 講的：youtube 變數的第一四分位數（Q1）是 89.25。
技術版：describe() 的八個統計量精讀
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
想像 200 個學生的數學分數排成一排，從最低到最高。count 算有幾個人分數有填（有缺席的不算）。mean 是平均分數。50% 是站在正中間那個人的分數（中位數）。25% 是站在四分之一位置的人的分數（Q1），75% 是站在四分之三位置的人的分數（Q3）。mean 和 50% 分開是因為有少數極高分拉高了平均，但中位數不受影響。
| describe() 的行標籤 | 統計意義 |
|---|---|
| count | 非缺失值筆數（≤ 總行數） |
| mean | 算術平均值 = Σx / n |
| std | 樣本標準差（ddof=1） |
| min | 最小值 |
| 25% | 第一四分位數 Q1（下四分位數） |
| 50% | 第二四分位數 Q2 = 中位數（Median） |
| 75% | 第三四分位數 Q3（上四分位數） |
| max | 最大值 |
- Q1（25th percentile）
- 四分之一分位數：25% 的資料值在 Q1 以下，75% 的資料值在 Q1 以上。
- Q2（50th percentile / Median）
- 中位數：50% 的資料值在 Q2 以下，也是資料的「中間值」，不受極端值影響。
- Q3（75th percentile）
- 四分之三分位數：75% 的資料值在 Q3 以下，25% 在 Q3 以上。
- IQR（Interquartile Range）
- 四分位距 = Q3 - Q1，衡量中間 50% 資料的散佈程度，可用來識別離群值。
- count vs len(df)
- count 是非 NaN 值的筆數，len(df) 是 DataFrame 的總行數（含 NaN 行）。兩者不同時代表有缺失值。
| 統計量 | 公式 |
|---|---|
| mean（均值） | x̄ = (Σxᵢ) / n |
| std（樣本標準差） | s = √(Σ(xᵢ - x̄)² / (n-1)) |
| Q1（25% 分位數） | 第 25th 百分位數，排序後 n×0.25 位置的值 |
| median（50%） | 排序後正中間的值（n 為奇數）或中間兩值的平均（n 為偶數） |
| IQR | Q3 - Q1 = 75th percentile - 25th percentile |
- describe() 的 count 和總行數（len(df)）什麼時候不一樣？不一樣代表什麼？
- mean 和 50%（中位數）差很多代表什麼？哪種情況下兩者會相差很大？
- 25%、50%、75% 各稱為什麼？對應哪個四分位數符號？
- IQR = Q3 - Q1，這個數字在離群值偵測上有什麼用途？
- facebook count=199 但 youtube count=200，這意味著 facebook 欄有幾個缺失值？
為什麼其他選項是錯的
字面在說什麼：整個資料集有 199 筆資料，共 4 個變數。
為什麼不對：describe() 的 count 欄顯示 facebook=199 是因為 facebook 有 1 個缺失值，但 youtube、newspaper、sales 都是 200。整個 DataFrame 的總行數是 200（即 len(df)=200），不是 199。「資料集個數」應以最完整的欄位（或 len(df)）為基準，而非某個有缺失值欄位的 count。
誰會選錯：看到 describe() 中出現 199 就以為是總筆數，沒有注意到各欄 count 值不同，以及 199 只是 facebook 欄的非缺失值個數。
字面在說什麼：sales 欄的中位數（中間值）是 16.827。
為什麼不對：describe() 中 sales 欄的 mean=16.827，50%=15.480。16.827 是算術平均值，不是中位數。中位數是 50% 那行的數字，也就是 15.480。mean 和 median 是兩個不同的集中趨勢指標，這題在考「你能不能區分 mean 和 50%」。
誰會選錯：把 mean 和 median（50%）搞混的人。看到「中間值」就想到「平均值」，或反過來，是初學者最常見的混淆。
字面在說什麼：facebook 欄的第三四分位數（Q3）是 11.94。
為什麼不對：describe() 中 facebook 欄：25%=11.940（這是 Q1）、75%=43.680（這是 Q3）。11.94 是 Q1（第一四分位數，25th percentile），不是 Q3（第三四分位數，75th percentile）。這題在考「你有沒有記住 25% = Q1，75% = Q3」。
誰會選錯：不清楚四分位數對應的百分位數，把 25% 和 75% 搞混，以為 25% 是「第三」的人（從最小值往上數第一個四分位點，稱為「下四分位數 Q1」，不是第三）。
同個考點下次怎麼變形
直覺：如果 mean 和 50%（中位數）差很多，代表資料的分佈有什麼特徵？
答案：代表資料有偏態（skewness）。mean > median 代表正偏態（右偏）：少數極大值拉高了均值，大多數資料集中在較小的值（例如收入分佈）。mean < median 代表負偏態（左偏）：少數極小值拉低了均值。銷售資料中，少數超暢銷遊戲的高銷售額會讓 mean 高於 median，這是正偏態的典型表現。
直覺：facebook 欄 count=199，youtube count=200，怎麼知道 facebook 有幾個缺失值？
答案：缺失值個數 = len(df) - count = 200 - 199 = 1。或者直接用 df['facebook'].isna().sum() 得到 1。describe() 的 count 告訴你「這欄有幾個有效值」，用總行數減掉就是缺失值個數。在 df.head() 的輸出也能看到 index 1 的 facebook 是 NaN，直接佐證。
直覺：用 IQR 方法定義離群值的標準公式是什麼？
答案：低於 Q1 - 1.5×IQR 或高於 Q3 + 1.5×IQR 的值是離群值（Tukey's fence）。以 youtube 為例：Q1=89.25、Q3=262.59、IQR=173.34。下界 = 89.25 - 1.5×173.34 = -170.76（不存在負銷售額，實際下界是 0）；上界 = 262.59 + 1.5×173.34 = 522.60（youtube 的 max=355.68 未超過，所以沒有高端離群值）。箱型圖（boxplot）就是根據這個公式標記離群點的。
直覺：describe() 在機器學習流程中什麼時候最重要？
答案：EDA（探索性資料分析）階段：特徵縮放之前，看各特徵的值域（min/max）決定是否需要標準化；模型訓練之前，看 count 確認有無缺失值需要填補；診斷模型效果時，比較預測值和真實值的 describe() 輸出，確認模型不會有系統性偏差。describe() 是 EDA 的第一步，是資料科學家的「生命體徵檢查」。
直覺：如果 describe() 的 std 很大，代表什麼？對建模有什麼影響？
答案：std 大代表資料分散，各樣本之間的值差異很大。例如 youtube std=103.025，而 mean=176.451，代表許多樣本的 youtube 廣告費用和平均值差距超過 100 萬元。對建模的影響：線性迴歸等對尺度敏感的模型，std 大的特徵需要做標準化（Standard Scaler），否則該特徵會主導梯度下降的方向，讓訓練不穩定或收斂慢。
想再往下看，這 5 個
- 描述性統計（Descriptive Statistics）describe() 輸出就是描述性統計摘要，count/mean/std/min/max/四分位數涵蓋了集中趨勢和離散程度的核心指標。
- 資料視覺化（Data Visualization）describe() 的四分位數直接對應箱型圖（boxplot）的五數摘要，配合視覺化能更直觀看出分佈形狀。
- 資料填補（Data Imputation）describe() 的 count 欄揭露缺失值，是決定填補策略的第一步：以平均值、中位數還是眾數填補？
- 特徵縮放（Feature Scaling）describe() 的 mean 和 std 是標準化（Z-score scaling）的必要參數：z = (x - mean) / std。
- 線性迴歸（Linear Regression）本題資料集是迴歸分析的前置 EDA，describe() 讓分析師在建立迴歸模型前了解各特徵的分佈特性。