数据的分析
十种常用的数据分析方法
⼗种常⽤的数据分析⽅法01 细分分析 细分分析是分析的基础，单⼀维度下的指标数据的信息价值很低。
细分⽅法可以分为两类，⼀类逐步分析，⽐如：来北京市的访客可分为朝阳，海淀等区；另⼀类是维度交叉，如：来⾃付费SEM的新访客。
细分⽤于解决所有问题。
⽐如漏⽃转化，实际上就是把转化过程按照步骤进⾏细分，流量渠道的分析和评估也需要⼤量⽤到细分的⽅法。
02 对⽐分析 对⽐分析主要是指将两个相互联系的指标数据进⾏⽐较，从数量上展⽰和说明研究对象的规模⼤⼩，⽔平⾼低，速度快慢等相对数值，通过相同维度下的指标对⽐，可以发现，找出业务在不同阶段的问题。
常见的对⽐⽅法包括：时间对⽐，空间对⽐，标准对⽐。
时间对⽐有三种：同⽐，环⽐，定基⽐。
例如：本周和上周进⾏对⽐就是环⽐；本⽉第⼀周和上⽉第⼀周对⽐就是同⽐；所有数据同今年的第⼀周对⽐则为定基⽐。
通过三种⽅式，可以分析业务增长⽔平，速度等信息。
03 漏⽃分析 转化漏⽃分析是业务分析的基本模型，最常见的是把最终的转化设置为某种⽬的的实现，最典型的就是完成交易。
但也可以是其他任何⽬的的实现，⽐如⼀次使⽤app的时间超过10分钟。
漏⽃帮助我们解决两⽅⾯的问题： 在⼀个过程中是否发⽣泄漏，如果有泄漏，我们能在漏⽃中看到，并且能够通过进⼀步的分析堵住这个泄漏点。
在⼀个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。
04 同期群分析 同期群（cohort）分析在数据运营领域⼗分重要，互联⽹运营特别需要仔细洞察留存情况。
通过对性质完全⼀样的可对⽐群体的留存情况的⽐较，来分析哪些因素影响⽤户的留存。
同期群分析深受欢迎的重要原因是⼗分简单，但却⼗分直观。
同期群只⽤简单的⼀个图表，直接描述了⽤户在⼀段时间周期（甚⾄是整个LTV）的留存或流失变化情况。
以前留存分析只要⽤户有回访即定义为留存，这会导致留存指标虚⾼。
05 聚类分析 聚类分析具有简单，直观的特征，⽹站分析中的聚类主要分为：⽤户，页⾯或内容，来源。
大数据常见的9种数据分析手段
大数据常见的9种数据分析手段一、数据清洗数据清洗是指对原始数据进行预处理，去除重复数据、缺失数据和异常值，以保证数据的准确性和完整性。
常见的数据清洗手段包括去重、填充缺失值和异常值处理等。
1. 去重：通过对数据进行去重操作，去除重复的数据，以避免在后续分析过程中对同一数据进行重复计算，提高数据分析效率。
2. 填充缺失值：对于存在缺失数据的情况，可以使用插值法、均值法等方法对缺失值进行填充，以保证数据的完整性。
3. 异常值处理：对于异常值，可以通过箱线图、Z-Score等方法进行检测和处理，以排除异常值对数据分析结果的干扰。
二、数据预处理数据预处理是指对清洗后的数据进行进一步的处理，以满足后续数据分析的需求。
常见的数据预处理手段包括数据变换、数据归一化和数据离散化等。
1. 数据变换：通过对数据进行变换，可以将非线性关系转化为线性关系，提高数据分析的准确性。
常见的数据变换方法包括对数变换、指数变换和平方根变换等。
2. 数据归一化：对于不同量纲的数据，可以使用数据归一化方法将其转化为统一的范围，以消除不同量纲对数据分析的影响。
常见的数据归一化方法包括最小-最大归一化和Z-Score归一化等。
3. 数据离散化：将连续型数据转化为离散型数据，可以简化数据分析过程，提高计算效率。
常见的数据离散化方法包括等宽离散化和等频离散化等。
三、数据可视化数据可视化是将数据以图表等形式展示出来，使数据更加直观、易于理解和分析的过程。
常见的数据可视化手段包括柱状图、折线图、散点图和饼图等。
1. 柱状图：用于展示不同类别或变量之间的数量关系，可以直观地比较各类别或变量的大小。
2. 折线图：用于展示数据随时间或其他变量的变化趋势，可以观察到数据的趋势和周期性变化。
3. 散点图：用于展示两个变量之间的关系，可以观察到变量之间的相关性和趋势。
4. 饼图：用于展示不同类别或变量在整体中的占比情况，可以直观地比较各类别或变量的重要性。
数据分析方法有哪几种？五种常见的数据分析方法
数据分析方法有哪几种？五种常见的数据分析方法数据分析是当今社会中不行或缺的一项技能，它可以关心我们从大量的数据中提取有用的信息和洞察力。
然而，面对浩大的数据量和简单的业务需求，我们需要把握多种数据分析方法来解决问题。
本文将介绍五种常见的数据分析方法，包括描述性统计分析、推断统计分析、猜测分析、关联分析和聚类分析。
描述性统计分析描述性统计分析是最基本的数据分析方法之一，它主要用于对数据进行总结和描述。
通过计算数据的中心趋势(如平均值、中位数、众数)、离散程度(如标准差、方差)和分布形态(如直方图、箱线图)，我们可以了解数据的基本特征和分布状况。
描述性统计分析可以关心我们对数据有一个整体的熟悉，为后续的分析供应基础。
推断统计分析推断统计分析是在样本数据的基础上对总体进行推断的一种方法。
通过对样本数据进行抽样和假设检验，我们可以推断总体的特征和参数。
推断统计分析可以关心我们从有限的样本数据中猎取总体的信息，并对决策供应支持。
常见的推断统计分析方法包括假设检验、置信区间估量和方差分析等。
猜测分析猜测分析是通过对历史数据的分析和建模，来猜测将来大事或趋势的一种方法。
通过选择合适的猜测模型(如时间序列模型、回归模型、机器学习模型等)，我们可以利用历史数据的规律性来猜测将来的进展趋势。
猜测分析可以关心我们做出合理的决策和规划，提前应对将来的变化。
关联分析关联分析是通过挖掘数据中的关联规章和模式，来发觉不同变量之间的关系和依靠性的一种方法。
通过计算支持度和置信度等指标，我们可以找到频繁消失的项集和关联规章。
关联分析可以关心我们发觉隐蔽在数据背后的规律和关联，为市场营销、推举系统等领域供应支持。
聚类分析聚类分析是将数据集中的对象根据相像性进行分组的一种方法。
通过计算不同对象之间的距离或相像性，我们可以将数据集划分为不同的簇。
聚类分析可以关心我们发觉数据中的潜在群体和模式，为市场细分、用户分类等供应支持。
常见的聚类分析方法包括层次聚类、K均值聚类和密度聚类等。
如何进行数据分析和解读
如何进行数据分析和解读数据分析和解读是当今社会中一项重要的技能，无论是在科研、商业决策还是日常生活中都能发挥着巨大的作用。
在这篇文章中，我们将探讨如何进行数据分析和解读，并给出一些实用的技巧和指导。
一、数据收集和整理数据分析的第一步是收集和整理数据。
数据可以来自于各种渠道，比如调查问卷、实验记录、传感器数据等。
在收集数据时，我们需要保证数据的准确性和可靠性。
同时，要注意避免采样误差和样本偏差的问题。
二、数据清洗和处理收集到的原始数据通常存在一些噪声和缺失值，需要进行数据清洗和处理。
数据清洗包括去除重复值、处理缺失值、处理异常值等。
处理完毕后，我们需要对数据进行标准化或归一化，以便进行后续的统计分析。
三、探索性数据分析探索性数据分析（EDA）是一种初步的数据分析方法，旨在发现数据中的模式、趋势和异常。
在进行EDA时，我们可以利用统计图表和可视化工具来展示数据的分布、关系和变化趋势。
通过EDA，我们可以对数据有个初步的认识，并为后续的分析提供有用的信息。
四、统计分析方法统计分析是数据分析的核心环节，它涵盖了很多常用的分析方法和技术。
常见的统计分析方法包括描述统计、推断统计和回归分析等。
通过这些方法，我们可以利用样本数据得出总体的特征和参数，进行推断和预测。
五、数据可视化数据可视化是将数据通过图表、图像、地图等形式呈现出来，使得数据更加直观明了。
数据可视化能够帮助我们发现数据中的模式、规律和趋势，提高对数据的理解和洞察。
在进行数据可视化时，我们应该选择合适的图表类型，美化图表风格，并注意传达明确的信息。
六、解读和应用数据分析的最终目的是为了解读数据并作出合理的决策。
在进行数据解读时，我们需要注意潜在的偏差和误差，并进行合理的推断和解释。
同时，我们还要将数据分析的结果应用到实践中，为决策和问题解决提供科学依据。
总结起来，数据分析和解读是一个复杂而又关键的过程。
在进行数据分析时，我们需要注重数据的收集和整理、数据的清洗和处理、探索性数据分析、统计分析方法的应用、数据可视化和数据解读与应用。
常用的8种数据分析方法
常用的8种数据分析方法1. 描述统计分析。
描述统计分析是对数据进行整体性描述的一种方法，它通过计算数据的均值、中位数、标准差等指标来揭示数据的一般特征。
这种方法适用于对数据的整体情况进行了解，但并不能深入挖掘数据背后的规律。
2. 统计推断分析。
统计推断分析是通过对样本数据进行统计推断，来对总体数据的特征进行估计和推断的方法。
通过统计推断分析，我们可以通过样本数据推断出总体数据的一些特征，例如总体均值、总体比例等。
3. 回归分析。
回归分析是研究自变量与因变量之间关系的一种方法，通过建立回归模型来描述两者之间的函数关系。
回归分析可以用于预测和探索自变量对因变量的影响程度，是一种常用的数据分析方法。
4. 方差分析。
方差分析是用来比较两个或多个样本均值是否有显著差异的一种方法。
通过方差分析，我们可以判断不同因素对总体均值是否有显著影响，是一种常用的比较分析方法。
5. 聚类分析。
聚类分析是将数据集中的对象划分为若干个类别的一种方法，目的是使得同一类别内的对象相似度高，不同类别之间的相似度低。
聚类分析可以帮助我们发现数据中的内在结构和规律，是一种常用的探索性分析方法。
6. 因子分析。
因子分析是一种用于研究多个变量之间关系的方法，通过找出共性因子和特殊因子来揭示变量之间的内在联系。
因子分析可以帮助我们理解变量之间的复杂关系，是一种常用的数据降维方法。
7. 时间序列分析。
时间序列分析是对时间序列数据进行建模和预测的一种方法，通过对时间序列数据的趋势、季节性和周期性进行分解，来揭示数据的规律和趋势。
时间序列分析可以用于预测未来的数据走向，是一种常用的预测分析方法。
8. 生存分析。
生存分析是研究个体从某一特定时间点到达特定事件的时间长度的一种方法，它可以用于研究生存率、生存曲线等生存相关的问题。
生存分析可以帮助我们了解个体生存时间的分布情况，是一种常用的生存数据分析方法。
总结，以上就是常用的8种数据分析方法，每种方法都有其特定的应用场景和优势，我们可以根据具体的问题和数据特点选择合适的方法进行分析，以期得到准确、有用的分析结果。
数据的分析知识点总结
数据的分析知识点总结数据分析是指通过对数据进行收集、整理、加工和分析，从中获取有价值的信息和洞察，以支持决策和解决问题。
在数据分析过程中，有一些关键的知识点是非常重要的。
下面是对数据分析知识点的详细总结。
1. 数据收集与整理- 数据来源：数据可以来自各种渠道，如数据库、调查问卷、传感器、社交媒体等。
- 数据清洗：数据清洗是指对数据进行预处理，包括处理缺失值、异常值、重复值等。
- 数据转换：数据转换是将原始数据转换为可分析的形式，如将文本数据转换为数值型数据。
2. 描述性统计- 中心趋势度量：包括平均值、中位数、众数等，用于描述数据集的集中程度。
- 离散趋势度量：包括方差、标准差、极差等，用于描述数据集的离散程度。
- 分布形态度量：包括偏度、峰度等，用于描述数据集的分布形态。
3. 数据可视化- 直方图：用于展示数据的分布情况，可以直观地看出数据的集中程度和离散程度。
- 散点图：用于展示两个变量之间的关系，可以观察到变量之间的相关性。
- 折线图：用于展示随时间变化的数据趋势，可以观察到数据的周期性和趋势性。
4. 探索性数据分析（EDA）- 单变量分析：对单个变量进行分析，包括变量的分布、离群值等。
- 双变量分析：对两个变量之间的关系进行分析，包括相关性、回归分析等。
- 多变量分析：对多个变量之间的关系进行分析，包括主成分分析、聚类分析等。
5. 假设检验与推断统计- 假设检验：用于判断样本数据是否代表总体数据，包括单样本检验、双样本检验等。
- 置信区间：用于估计总体参数的范围，可以判断样本均值的可靠性。
- 方差分析：用于比较多个样本均值之间的差异，判断因素对结果的影响。
6. 预测与建模- 回归分析：用于预测数值型变量，建立变量之间的线性关系模型。
- 分类分析：用于预测分类变量，建立变量之间的非线性关系模型。
- 时间序列分析：用于预测时间序列数据，建立时间趋势模型。
7. 数据挖掘与机器学习- 特征选择：选择对目标变量有影响的特征，提高模型的预测准确性。
常用的8种数据分析方法
常用的8种数据分析方法1. 描述性统计分析。
描述性统计分析是数据分析中最基本的方法之一，它通过对数据的集中趋势（均值、中位数、众数）和离散程度（标准差、方差）进行分析，帮助我们了解数据的分布情况，对数据进行初步的概括和描述。
2. 相关性分析。
相关性分析用于研究两个或多个变量之间的关系，通过计算它们之间的相关系数来衡量它们之间的相关性强弱。
相关性分析可以帮助我们了解变量之间的关联程度，从而为进一步的分析和决策提供依据。
3. 回归分析。
回归分析是用来研究一个或多个自变量对因变量的影响程度和方向的方法。
通过回归分析，我们可以建立数学模型来预测因变量的取值，或者分析自变量对因变量的影响程度，帮助我们理解变量之间的因果关系。
4. 时间序列分析。
时间序列分析是研究时间序列数据的一种方法，它可以帮助我们了解数据随时间变化的规律和趋势。
时间序列分析可以用于预测未来的趋势，检测周期性变化，以及分析时间序列数据中的特殊事件和异常情况。
5. 聚类分析。
聚类分析是一种无监督学习的方法，它可以将数据集中的对象分成若干个类别，使得同一类别内的对象相似度较高，不同类别之间的相似度较低。
聚类分析可以帮助我们发现数据中的内在结构和规律，对数据进行分类和整理。
6. 因子分析。
因子分析是一种多变量分析方法，它可以帮助我们发现多个变量之间的潜在关联性，找出共同的因子或者维度。
因子分析可以帮助我们简化数据，减少变量的数量，从而更好地理解数据背后的信息。
7. 决策树分析。
决策树分析是一种用来进行分类和预测的方法，它通过构建决策树模型来对数据进行分类和预测。
决策树分析可以帮助我们理解不同变量之间的关系，进行决策规则的推断，从而为决策提供支持。
8. 关联规则分析。
关联规则分析是一种用来发现数据中的频繁模式和关联规则的方法，它可以帮助我们发现数据中的潜在关联关系，从而为市场营销、商品推荐等方面提供支持。
以上就是常用的8种数据分析方法，每种方法都有其独特的特点和适用范围，希望这些方法能够对大家在数据分析工作中有所帮助。
大数据常见的9种数据分析手段
大数据常见的9种数据分析手段一、数据清洗数据清洗是数据分析的第一步，它主要是为了去除数据中的噪声、错误、重复、缺失等问题，以保证数据的质量和准确性。
数据清洗可以通过使用数据清洗工具或编写脚本来实现。
常见的数据清洗手段包括去重、填充缺失值、处理异常值等。
二、数据预处理数据预处理是指对原始数据进行处理和转换，以便于后续的数据分析工作。
常见的数据预处理手段包括数据标准化、数据离散化、数据降维等。
数据标准化可以将不同尺度的数据转化为相同的尺度，以便于进行比较和分析；数据离散化可以将连续型数据转化为离散型数据，以便于进行分类和聚类分析；数据降维可以减少数据的维度，以便于可视化和理解。
三、数据可视化数据可视化是将数据以图表、图像等形式展示出来，以便于人们理解和分析。
常见的数据可视化手段包括柱状图、折线图、饼图、散点图等。
数据可视化可以帮助人们快速发现数据中的规律和趋势，以便于做出相应的决策。
四、数据挖掘数据挖掘是通过使用统计学和机器学习等方法，从大量的数据中发现隐藏的模式和规律。
常见的数据挖掘手段包括关联规则挖掘、聚类分析、分类分析等。
关联规则挖掘可以找出数据中的关联关系，以便于进行交叉销售和推荐系统等应用；聚类分析可以将数据分为不同的类别，以便于进行市场细分和用户画像等分析；分类分析可以将数据分为不同的类别，以便于进行风险评估和预测等分析。
五、数据建模数据建模是根据已有的数据，构建数学模型来描述和预测数据的行为和趋势。
常见的数据建模手段包括回归分析、时间序列分析、决策树等。
回归分析可以用来预测数值型数据；时间序列分析可以用来预测时间相关的数据；决策树可以用来进行分类和预测。
六、文本挖掘文本挖掘是指从大量的文本数据中提取有用的信息和知识。
常见的文本挖掘手段包括文本分类、情感分析、关键词提取等。
文本分类可以将文本数据分为不同的类别，以便于进行信息过滤和搜索；情感分析可以分析文本中的情感倾向，以便于进行舆情分析和品牌监测；关键词提取可以提取文本中的关键词，以便于进行主题分析和摘要生成。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据的集中趋势
一、知识要点回顾
1、平均数
（1）平均数：一组数据x1，x2，x3，…，x n，它们的平均数记作，则= ＿＿＿＿；
(2)加权平均数：一组数据x1出现f1次，x2出现f2次，x3出现f3次，……x k出现f k 次，其中f1+f2+f3+……+f k=n，它们的平均数记作，则= 。
这个平均数叫做加权平均数。
2、中位数
（1）定义：将一组数据按照顺序排列起来，处于最中间位置的数
或者最中间两个数的平均数为这组数据的中位数。
（2）求中位数的基本思路：
求一组数据的中位数，遵循如下的基本思路：
①数据按照从小到大或者从大到小的顺序进行排列；②确定数据的总数；③确定总
数的奇偶性；④如果总数n是一个奇数，则中位数是从左边起第个数据；如果总
数n是一个偶数，则中位数是从左边起第个数据和第个数据的平均数。
3、众数
定义：一般地，一组数据中出现次数的那个数据叫做这组数据的众数。
注意：
（1）平均数、中位数、众数的特点（教材P20归纳）；
（2）众数着重于数据出现的次数但非次数，一组数据的众数不一定唯一；
（3）平均数的性质
如果一组数据x1，x2，x3，…，x n的平均数为，a、b为常数，
那么①数据组x1+b，x+b 2，x3+b，…，x n+b的平均数为；
②数据组ax1，ax2，ax3，…，ax n的平均数为；
③数据组ax1+b，ax2+b，ax3+b，…，ax n+b的平均数为。
二、巩固训练
1、已知一组数据2，1，x，7，3，5，3，2的众数是2，则这组数据的中位数是（）
A 2
B 2.5
C 3
D 5
2、考试后，某学习组组长算出全组5位同学数学的平均分为m，如果把m当成另一个
同学的分数，与原来的5个分数一起，算出这6个分数的平均数为n，那么m∶n为( )．
A 5∶6
B 1∶1
C 6∶5
D 2∶1
3、某同学在用计算器求30个数据的平均数时，错将其中一个数据105输入为15，那
么由此算出的平均数与实际平均数的差为( )．
A 3
B －3
C 3.5
D －3.5
4、为了筹备班里的新年联欢会，班长以全班同学最爱吃哪几种水果做民意调查，以决
定最终买什么水果．该次调查结果最终应该由数据的( )决定．
A 平均数
B 中位数
C 众数
D 无法确定
5、 如果一组数据中有一个数据变动，那么( )．
A 平均数一定会变动
B 中位数一定会变动
C 众数一定会变动
D 平均数、中位数和众数可能都不变 6、某班七个兴趣小组人数分别为:3,3,4,x ,5,5,6,已知这组数据的平均数是4,则这组数据的中位数是( )
A 2
B 4
C 4.5
D 5
7、国家规定“中小学生每天在校体育活动时间不低于1小时”.为此,我市就“你每天
在校体育活动时间是多少”的问题随机调查了某区300名初中
学生.根据调查结果绘制成的统计图(部分)如图所示,其中分组
情况是:
A 组 t ＜0.5h
B 组 0.5h ≤t ＜1h
C 组 1h ≤t ＜1.5h
D 组 t ≥1.5h
根据上述信息,你认为本次调查数据的中位数落在( )
A B 组 B C 组 C D 组
D A 组 8、将5个整数从大到小排列，中位数是4；如果这个样本中的惟一众数是6，•则这5个整数可能的最大的和是 。
9、某次射击训练中,一小组的成绩如右表所示:
若该小组的平均成绩为7.7环,则成绩为8环的人数
是 。
10、在学校组织的“喜迎奥运,知荣明耻,文明出行”的知识竞赛中,每班参加比赛的人
数相同,成绩分为A B C D ，，，四个等级,其中相应等级的得分依次记为100分,90分,80
分,70分,学校将某年级的一班和二班的成绩整理并绘制成如下的统计图:
请你根据以上提供的信息解答下列问题:
(1)此次竞赛中二班成绩在C 级以上(包括C 级)的人数为 ;
(2)请你将表格补充完整:
(3)请从下列不同角度对这次竞赛成绩的结果进行分析: ①从平均数和中位数的角度来比较一班和二班的成绩；
②从平均数和众数的角度来比较一班和二班的成绩；
一班竞赛成绩统计图 级级级 A B C D 组别 人数 第10题图
③从B级以上(包括B级)的人数的角度来比较一班和二班的成绩。
数据的波动程度
知识回顾
刻画一组数据离散（波动）程度的量一般有、、和等四个，其中最常用的是。
1、方差
（1）定义：有n个数据x1、x2、x3、…、x n，各数据与它们的平均数的的的叫作这组数据的方差。
（2）计算公式（方差通常用“s2”表示）
s2=1
n [(x1−)
2
+(x2−)
2
+⋯+(x n−)
2
]
(3)方差与数据波动大小的关系
方差越大，数据的波动；方差越小，数据的波动。
（4）性质
若一组数据x1、x2、x3、…、x n的方差为s2，a、b为常数，则数据组
①x1+b、x2+b 、x3+b、…、x n+b的方差为；
②ax1、ax2、ax3、…、ax n的方差为；
③ax1+b、ax2+b、、ax3+b、…、ax+b n的方差为。
2、标准差（通常用“s“表示）、平均差和极差参阅教材P129阅读与思考
巩固训练
1、某工厂共有50名员工，他们的月工资方差是s2，现在给每个员工的月工资增加200元，那么他们的新工资的方差( )．
A 变为s2＋200
B 不变
C 变大
D 变小
2、某一段时间，小芳测得连续五天的日最低气温后，整理得出下表（有两个数据被遮盖）．
被遮盖的两个数据依次是
A 3℃，2
B 3℃，1.2
C 2℃，2
D 2℃，1.6
3、已知一组数据：12，5，9，5，14，下列说法不正确的是（）
A 平均数是9
B 中位数是9
C 众数是5
D 极差是5
4、在体育达标测试中，某校初三5班第一小组六名同学一分钟跳绳成绩如下：
93，138，98，152，138，183；则这组数据的极差是（）
A 138
B 183
C 90
D 93
5、已知一组数据1,2,0,-1,x,1的平均数是1,则这组数据的极差为。
6、已知一组数据10，8，9，x，5的众数是8，则这组数据的方是。
7、样本数据3,6,a，4,2的平均数是5,则该样本的方差是。
8、甲､乙两支仪仗队队员的身高(单位:厘米)如下:
甲队 178,177,179,178,177,178,177,179,178,179;
乙队 178,179,176,178,180,178,176,178,177,180;
(1)将下表填完整:
(2)甲队身高的平均数为厘米,乙队身高的平均数为厘米;
(3)你认为哪支仪仗队更为整齐?简要说明理由.。