车间质检批次判定
五金厂质检员老张，每天要抽检 30 个螺丝的直径。以往靠看平均值是否在公差内来判批次合格，但上周一批螺丝均值合格，却因个别尺寸严重超差导致装配卡死。现在老张用本工具算方差和标准差：如果标准差超过 0.02mm，即使均值合格也直接判退，让批次判定从「看平均数」变成「看离散度」，避免混入异常件。
方差与标准差 sample (n−1) vs population (n)
描述统计 descriptive statistics
分布可视化 histogram & box plot
就绪 · 输入数据后实时计算全量描述统计
第一节
关于本工具
About一份数据集里，均值可能被极端值带偏，中位数却稳得住——但只看位置又丢掉了波动信息。输入一组数值，工具同时输出均值、中位数、方差和标准差：前两个告诉你中心在哪，后两个量化数据有多散。所有计算都在浏览器内完成，数据不上传服务器，适合课堂验证统计作业、实验数据快速摸底。
使用场景
高三模拟考成绩分析
班主任李老师拿到 45 人的数学月考成绩，想快速知道这次考试是「大家都差不多」还是「两极分化」。他算均值是 78 分，但更关心标准差：如果标准差大于 15，说明高分和低分差距大，需要分层补课；如果小于 8，说明成绩集中，可以统一讲压轴题。李老师用本工具 3 秒出结果，不用再手动敲 Excel 公式。
外卖商家出餐时间监控
店长小王发现平台评分掉了 0.2，差评集中在「出餐慢」。他统计了上周 50 单的出餐时间：均值 12 分钟，看起来正常。但用本工具算方差后发现，部分订单在 6 分钟出餐，部分却拖到 25 分钟。标准差揭示出「出餐时间不稳定」才是核心问题，小王据此调整了高峰期的备菜流程，将标准差从 5.1 压到 2.3。
基金定投波动评估
投资者小陈在两只指数基金之间犹豫：A 基金近一年日收益率均值 0.08%，B 基金均值 0.07%，差距很小。他用本工具算出 A 的标准差是 1.2%，B 是 0.6%，说明 A 的每日涨跌幅度是 B 的两倍。小陈据此判断自己能否承受 A 的波动，而不是只看收益率，最终选了波动更小的 B 做定投底仓。
电商仓库拣货效率排名
仓库主管老赵想评出月度最佳拣货员，但每人每天拣货单量不同。他收集了 5 名员工各 20 天的拣货时长数据，用本工具算每个人的中位数和标准差：中位数反映典型效率，标准差反映稳定性。结果发现小刘中位数排第二但标准差最小，说明他每天稳定发挥；小张中位数第一但标准差很大，说明时快时慢。老赵最终用中位数+标准差双指标做绩效排名。
对比矩阵
| 维度 | 本工具 | Excel / WPS 表格 | 手工计算 |
|---|---|---|---|
| 速度 | 输入即算，毫秒级响应 | 需输入公式或加载分析工具包，大数据量时卡顿 | 手动列式运算，耗时长且易出错 |
| 隐私 | 纯浏览器计算，数据不出设备 | 数据存在本地文件，但需注意文件分享风险 | 完全离线，无电子记录 |
| 离线可用 | 浏览器打开即用，需网络加载页面 | 需安装 Office 软件，离线可用 | 纸笔即可，完全离线 |
| 大小限制 | 无明确上限，受浏览器内存影响 | 受 Excel 行数限制（约 104 万行） | 受人力耐心限制 |
| 收费 | 免费 | WPS 基础免费，高级功能需会员；Excel 需购买 Office 授权 | 仅需纸笔，零成本 |
| 注册 | 无需注册 | 无需注册 | 无需注册 |
| 输出格式 | 直接显示均值、中位数、方差、标准差数值 | 需手动选择函数或生成图表 | 需自行整理计算结果 |
第二节
使用指南
Getting Started使用步骤
- 1在「数据输入」框内粘贴或键入一组数值，用逗号、空格或换行分隔，输入框下方实时显示当前有效数值个数
- 2点击「计算」按钮，结果区立即输出均值、中位数、方差与标准差四项统计量，每项数值保留四位小数
- 3若需剔除异常值，勾选「忽略空值」开关，工具自动跳过空白或非数字条目并更新结果
- 4点击结果区任意统计量右侧的「复制」图标，该数值即写入剪贴板，无需手动选中
输入输出示例
| 输入 | 输出 | 说明 |
|---|---|---|
| 2, 4, 6, 8, 10 | 均值: 6.00, 中位数: 6.00, 方差: 8.00, 标准差: 2.83 | 常规：等差数列，均值=中位数，验证基本计算正确性 |
| 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 | 均值: 5.50, 中位数: 5.50, 方差: 8.25, 标准差: 2.87 | 常规：偶数个数据，中位数取中间两数均值，验证中位数逻辑 |
| 5 | 均值: 5.00, 中位数: 5.00, 方差: 0.00, 标准差: 0.00 | 边界：单个数据，方差为0，验证工具对最小样本的处理 |
| 100, 100, 100, 100 | 均值: 100.00, 中位数: 100.00, 方差: 0.00, 标准差: 0.00 | 边界：所有值相同，方差为0，验证无波动场景 |
| 0, 0, 0, 0 | 均值: 0.00, 中位数: 0.00, 方差: 0.00, 标准差: 0.00 | 边界：全零输入，验证零值不影响计算 |
| 1, 2, 3, 4, 100 | 均值: 22.00, 中位数: 3.00, 方差: 1520.00, 标准差: 38.99 | 易错：存在离群值（100），均值被拉高，中位数仍为3，暴露均值对异常值的敏感性 |
| 1.5, 2.3, 3.7, 4.1 | 均值: 2.90, 中位数: 3.00, 方差: 1.13, 标准差: 1.06 | 易错：小数输入，验证浮点数精度处理（输出保留两位小数） |
常见错误对照
1.混淆总体方差与样本方差公式
✗ 错误
输入全班 30 人成绩，直接用 Excel 的 VAR.P 结果与工具对比发现不一致✓ 修复
先确认数据是总体（全班）还是样本（抽测 5 人），工具默认用样本方差（n-1 分母），总体方差选对应模式总体方差分母为 N，样本方差分母为 n-1（贝塞尔校正），两种公式结果不同，混用会导致统计推断偏差。
2.把中位数当平均数用，忽略异常值影响
✗ 错误
数据集 [1,2,3,4,100] 中位数=3，直接说“平均水平是3”✓ 修复
中位数=3，均值=22，应结合标准差（≈42.7）判断数据离散程度，再决定用哪个代表中心趋势中位数对极端值不敏感，均值受极端值影响大。报告时应同时给出均值、中位数和标准差，避免误导。
3.标准差单位误解，把平方根结果当原始单位
✗ 错误
身高数据单位 cm，标准差结果写成 5.2 cm²✓ 修复
标准差单位与原始数据一致，即 cm；方差单位才是 cm²标准差是方差的正平方根，恢复原始量纲。若误将方差单位赋给标准差，会导致物理意义混乱。
4.输入包含非数值字符，导致计算中断或错误
✗ 错误
数据列：12, 15, 20, N/A, 18✓ 修复
清理后：12, 15, 20, 18（删除或替换 N/A）统计函数只接受数值，文本或空值会触发类型错误或静默忽略，导致样本量不准确、结果偏差。
5.用逗号分隔时混入中文全角逗号
✗ 错误
12，15，20（全角逗号）✓ 修复
12,15,20（半角逗号）多数工具只识别半角分隔符，全角逗号会被当作非法字符，导致解析失败或只识别第一个数。
6.把方差和标准差的结果直接比较，忽略量纲差异
✗ 错误
A组方差=4，B组标准差=2，认为两组离散程度相同✓ 修复
统一量纲：A组标准差=√4=2，B组标准差=2，两者离散程度相同方差是标准差的平方，数值上通常更大。直接比较不同量纲的统计量会得出错误结论。
7.样本量过小（n<3）仍计算标准差
✗ 错误
输入两个数：5, 10，工具返回标准差=3.5355✓ 修复
样本量至少 3 个以上再计算标准差，否则结果无统计意义n=2 时样本标准差公式分母为 1，结果仅反映两个点的差异，不能代表总体离散程度，易误导。
第三节
工作原理
How It Works核心公式
σ² = Σ(xᵢ - μ)² / N
变量说明
σ²总体方差，单位与数据平方一致xᵢ第 i 个数据点μ总体均值，即所有 xᵢ 的算术平均N数据总个数
示例
数据集 [2, 4, 6, 8]：均值 μ = (2+4+6+8)/4 = 5；各偏差平方：(2-5)²=9, (4-5)²=1, (6-5)²=1, (8-5)²=9；方差 σ² = (9+1+1+9)/4 = 20/4 = 5；标准差 σ = √5 ≈ 2.236。
用户输入
本地处理
输出结果
实现方式
第四节
开发者集成
For Developers6 种主流语言实现，复制即用：
import statistics
data = [2, 4, 4, 4, 5, 5, 7, 9]
mean = statistics.mean(data)
median = statistics.median(data)
variance = statistics.variance(data) # 样本方差（分母 n-1）
stdev = statistics.stdev(data) # 样本标准差
print(f"均值: {mean}")
print(f"中位数: {median}")
print(f"方差: {variance}")
print(f"标准差: {stdev}")const data = [2, 4, 4, 4, 5, 5, 7, 9];
const mean = data.reduce((a, b) => a + b, 0) / data.length;
const sorted = [...data].sort((a, b) => a - b);
const mid = Math.floor(sorted.length / 2);
const median = sorted.length % 2 !== 0 ? sorted[mid] : (sorted[mid - 1] + sorted[mid]) / 2;
const squaredDiffs = data.map(v => (v - mean) ** 2);
const variance = squaredDiffs.reduce((a, b) => a + b, 0) / (data.length - 1); // 样本方差
const stdev = Math.sqrt(variance);
console.log(`均值: ${mean}`);
console.log(`中位数: ${median}`);
console.log(`方差: ${variance}`);
console.log(`标准差: ${stdev}`);package main
import (
"fmt"
"math"
"sort"
)
func main() {
data := []float64{2, 4, 4, 4, 5, 5, 7, 9}
// 均值
sum := 0.0
for _, v := range data {
sum += v
}
mean := sum / float64(len(data))
// 中位数
sort.Float64s(data)
var median float64
if len(data)%2 == 0 {
median = (data[len(data)/2-1] + data[len(data)/2]) / 2
} else {
median = data[len(data)/2]
}
// 样本方差
var sqSum float64
for _, v := range data {
sqSum += (v - mean) * (v - mean)
}
variance := sqSum / float64(len(data)-1)
stdev := math.Sqrt(variance)
fmt.Printf("均值: %.2f\n", mean)
fmt.Printf("中位数: %.2f\n", median)
fmt.Printf("方差: %.2f\n", variance)
fmt.Printf("标准差: %.2f\n", stdev)
}fn main() {
let data = vec![2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0];
let mean = data.iter().sum::<f64>() / data.len() as f64;
let mut sorted = data.clone();
sorted.sort_by(|a, b| a.partial_cmp(b).unwrap());
let mid = sorted.len() / 2;
let median = if sorted.len() % 2 == 0 {
(sorted[mid - 1] + sorted[mid]) / 2.0
} else {
sorted[mid]
};
let variance = data.iter()
.map(|v| (v - mean).powi(2))
.sum::<f64>() / (data.len() - 1) as f64; // 样本方差
let stdev = variance.sqrt();
println!("均值: {}", mean);
println!("中位数: {}", median);
println!("方差: {}", variance);
println!("标准差: {}", stdev);
}import java.util.Arrays;
public class Stats {
public static void main(String[] args) {
double[] data = {2, 4, 4, 4, 5, 5, 7, 9};
double mean = Arrays.stream(data).average().orElse(0);
Arrays.sort(data);
double median;
if (data.length % 2 == 0) {
median = (data[data.length/2 - 1] + data[data.length/2]) / 2;
} else {
median = data[data.length/2];
}
double sqSum = 0;
for (double v : data) {
sqSum += Math.pow(v - mean, 2);
}
double variance = sqSum / (data.length - 1); // 样本方差
double stdev = Math.sqrt(variance);
System.out.println("均值: " + mean);
System.out.println("中位数: " + median);
System.out.println("方差: " + variance);
System.out.println("标准差: " + stdev);
}
}<?php
$data = [2, 4, 4, 4, 5, 5, 7, 9];
$mean = array_sum($data) / count($data);
sort($data);
$count = count($data);
$mid = floor($count / 2);
$median = ($count % 2 == 0) ? ($data[$mid - 1] + $data[$mid]) / 2 : $data[$mid];
$squaredDiffs = array_map(fn($v) => ($v - $mean) ** 2, $data);
$variance = array_sum($squaredDiffs) / (count($data) - 1); // 样本方差
$stdev = sqrt($variance);
echo "均值: $mean\n";
echo "中位数: $median\n";
echo "方差: $variance\n";
echo "标准差: $stdev\n";第五节
常见问题
Q & A问我有一堆考试成绩，算方差和标准差能看出什么？＋
答
方差和标准差衡量一组数据的离散程度——分数波动大不大。比如全班平均分 75，标准差 5 说明多数人集中在 70-80 之间；标准差 20 说明有人 40 分有人 100 分，差距悬殊。标准差单位与原始数据相同（分），方差是平方后的单位，不直观。本工具同时输出两者，方便直接用标准差解释波动幅度。
问为什么我算出来的方差是负数？＋
答
方差的计算公式是各数据点与均值差的平方和除以数据个数，平方保证结果永远非负。出现负数只有一种可能：输入数据有误，比如包含了非数字字符、空值或文本。本工具前端校验输入，如果遇到非数字会提示；但如果手动粘贴时混入空格或换行符没有清理干净，也可能导致计算失败。检查输入框内每个值是否都是纯数字。
问算方差和标准差时，分母用 n 还是 n-1？有什么区别？＋
答
本工具默认用 n（总体方差/标准差），适用于数据代表整个群体（如全班所有人的成绩）。如果数据只是从大群体中抽出的样本，应该用 n-1（样本方差/标准差）来无偏估计总体。目前页面只提供总体版本，处理抽样数据时需注意：直接用会低估实际离散程度。如果手头是样本数据，建议手动将结果乘以 n/(n-1) 校正。
问我输入了几千个数字，页面卡死了怎么办？＋
答
本工具完全在浏览器本地计算（FE 实现），不依赖服务器，因此性能受限于设备内存和 CPU。几千个数字通常没问题，但如果是几万个或更大，浏览器可能响应慢。建议分批处理：每次粘贴几千个，算完记录结果再清空下一批。如果数据量极大，可改用本地脚本（如 Python/R）计算，避免浏览器内存溢出。
问算出来的中位数跟我手动找的不一样？＋
答
中位数的计算方式取决于数据个数是奇数还是偶数。奇数个数据时取中间那个值；偶数个数据时取中间两个值的平均值。本工具按此标准算法处理。如果手动找时用了不同规则（比如偶数个时直接取前一个或后一个），结果就会不同。另外数据排序顺序不影响结果，但如果有重复值，中位数可能落在重复区间内，这是正确的。
问数据里有极端值，算均值还是中位数更合理？＋
答
均值对极端值敏感——一个 100 万的数据点能把均值拉高很多；中位数不受极端值影响，更能代表“典型水平”。比如一组收入数据：5 人月薪 5000，1 人月薪 50000，均值约 12500，中位数 5000，中位数更符合多数人的实际收入。本工具同时输出均值和 中位数，建议对比两者差距：差异大说明数据偏态严重，优先参考中位数。
问这个工具会上传我的数据到服务器吗？＋
答
不会。本工具采用纯前端（FE）实现，所有计算都在浏览器本地完成，数据不会离开你的电脑。输入的数字只在内存中参与运算，关闭页面或刷新后数据自动消失。无需担心隐私泄露，甚至可以在断网环境下使用（页面加载过一次后离线也能计算）。适合处理敏感数据，如个人健康指标、公司内部报表等。
问标准差和平均差是一回事吗？＋
答
不是。标准差是各数据点与均值差值的平方和开方，平均差是各数据点与均值差值的绝对值的平均数。标准差通过平方放大了较大偏差的影响，对异常值更敏感；平均差线性处理，受极端值影响较小。本工具只计算标准差和方差，不提供平均差。如果需要平均差，可以手动将每个数据与均值的绝对值求和后除以数据个数。
隐私保证所有计算与处理均在你的浏览器本地完成，输入数据不会上传服务器，也不会保存或共享。