Python statistics.median() 方法（千字长文）

Python statistics.median() 方法：轻松掌握数据中位数计算

在数据分析的世界里，中位数是一个非常基础但极其重要的统计指标。它不像平均数那样容易被极端值“拉偏”，在处理真实世界的数据时，常常比平均数更具有代表性。Python 的 statistics 模块为此提供了 median() 方法，让计算中位数变得简单而高效。

如果你正在学习 Python，或者已经在项目中处理数据，那么掌握这个方法将极大提升你的数据处理能力。它不仅语法简洁，而且逻辑清晰，特别适合初学者快速上手。

什么是中位数？用生活化比喻来理解

想象你有一群人排队买票，每个人的身高各不相同。如果把他们按身高从矮到高排好，站在中间位置的人的身高，就是这队人的“中位数”。

这个位置的人，左边和右边的人数大致相等。即使有人特别高或特别矮，也不会影响中间这个人的位置。这就是中位数的核心意义：它反映的是“中间水平”，而不是“平均情况”。

在实际场景中，比如统计一个城市居民的收入水平，如果少数人收入极高，拉高了平均值，那么中位数反而能更真实地体现“普通人”的收入状况。

Python statistics.median() 方法的基本用法

Python 的 statistics 模块是标准库的一部分，无需额外安装，直接导入即可使用。median() 方法用于计算一组数值的中位数。

import statistics

scores = [85, 90, 78, 92, 88, 80, 95]

median_score = statistics.median(scores)

print(f"学生成绩的中位数是：{median_score}")

输出结果：

学生成绩的中位数是：88

代码注释：

• import statistics：导入标准库中的统计模块，提供中位数、平均数等方法。
• scores = [...]：定义一个包含 7 个成绩的列表。
• statistics.median(scores)：调用 median() 方法，传入数据列表，返回中位数。
• print()：输出结果，帮助我们查看计算结果。

⚠️ 注意：median() 方法会自动对输入数据进行排序，无需手动排序。

奇数个与偶数个数据的中位数计算逻辑

中位数的计算方式取决于数据个数是奇数还是偶数，这就像“中间点”的位置不同。

奇数个数据：取正中间的值

当数据个数为奇数时，中位数就是排序后正中间的那个数。

import statistics

data_odd = [10, 20, 30, 40, 50]

median_odd = statistics.median(data_odd)

print(f"奇数个数据的中位数：{median_odd}")

输出：

奇数个数据的中位数：30

解释： 排序后为 [10, 20, 30, 40, 50]，中间位置是第 3 个（索引为 2），值为 30。

偶数个数据：取中间两个数的平均值

当数据个数为偶数时，中位数是中间两个数的平均值。

import statistics

data_even = [10, 20, 30, 40, 50, 60]

median_even = statistics.median(data_even)

print(f"偶数个数据的中位数：{median_even}")

输出：

偶数个数据的中位数：35.0

解释： 排序后为 [10, 20, 30, 40, 50, 60]，中间两个数是 30 和 40，平均值为 (30 + 40) / 2 = 35.0。

✅ 小贴士：statistics.median() 会自动处理奇偶情况，开发者无需关心内部逻辑。

实际应用场景：分析学生考试成绩分布

假设你是一位老师，手上有 20 名学生的数学考试成绩，想了解整体表现水平。平均分可能受极少数高分或低分影响，而中位数更能反映“大多数学生”的真实水平。

import statistics

math_scores = [
    75, 82, 68, 90, 77, 85, 93, 70, 88, 79,
    91, 83, 76, 80, 87, 74, 95, 81, 78, 86
]

median_math = statistics.median(math_scores)

print(f"数学成绩的中位数：{median_math}")
print(f"平均分（用于对比）：{sum(math_scores) / len(math_scores):.2f}")

输出：

数学成绩的中位数：82.5
平均分（用于对比）：82.00

分析：

• 中位数为 82.5，说明有一半学生得分低于或等于 82.5，另一半高于或等于。
• 平均分为 82.00，略低于中位数，说明可能有少数低分拉低了整体平均值。
• 两者接近，说明成绩分布较均衡，没有严重偏态。

这个例子展示了 Python statistics.median() 方法在教育评估中的实用价值。

数据类型与边界情况处理

median() 方法支持多种数值类型，包括整数和浮点数。但必须确保输入的是可比较的数值，不能混入字符串或 None。

支持的数据类型

import statistics

mixed_data = [1, 2.5, 3, 4.7, 5]

median_mixed = statistics.median(mixed_data)

print(f"混合数值的中位数：{median_mixed}")

输出：

混合数值的中位数：3.0

错误处理：空列表或非数值数据

import statistics

empty_list = []

try:
    statistics.median(empty_list)
except statistics.StatisticsError as e:
    print(f"错误：{e}")

输出：

错误：no median for empty data

📌 重要提醒：调用 median() 前应确保数据非空，否则会抛出异常。

与其他统计方法的对比：median vs mean

在数据分析中，中位数和平均数（mean）常被一起使用，以全面理解数据分布。

import statistics

data_with_outlier = [10, 12, 14, 15, 16, 18, 20, 100]

print(f"原始数据：{data_with_outlier}")
print(f"平均数：{statistics.mean(data_with_outlier):.2f}")
print(f"中位数：{statistics.median(data_with_outlier)}")

输出：

原始数据：[10, 12, 14, 15, 16, 18, 20, 100]
平均数：23.75
中位数：15.5

结论： 平均数被 100 这个极端值拉高，而中位数仍保持在 15.5，更真实地反映了“大多数”数据的水平。

总结与建议

Python statistics.median() 方法 是一个简洁、高效、可靠的工具，特别适合处理真实世界中常出现的偏态数据。它不需要复杂的逻辑，却能提供比平均数更稳健的中间值参考。

• 初学者：从简单的列表开始，逐步理解中位数的含义。
• 中级开发者：在项目中用它来分析用户行为、收入分布、性能指标等。
• 项目建议：在数据清洗后，优先使用中位数评估核心指标，避免被异常值误导。

掌握这个方法，是你迈向数据思维的重要一步。下次你看到一组数据时，不妨先问一句：中位数是多少？

Python 的 statistics 模块还有很多实用方法，如 mean()、mode()、stdev() 等，建议你后续继续探索，构建完整的统计分析能力。