简单数据分析1
简单的数据分析
简单的数据分析在当今这个数字化的时代，数据无处不在。
从我们日常使用的手机应用，到企业的运营管理，再到科学研究的各个领域，数据都扮演着至关重要的角色。
而数据分析，就是从这些海量的数据中提取有价值的信息，为决策提供支持，帮助我们更好地理解世界、解决问题。
那么，什么是数据分析呢？简单来说，数据分析就是对数据进行处理和分析，以发现其中的规律、趋势和关系。
它不仅仅是对数字的简单计算和统计，更是一种深入挖掘数据背后隐藏信息的过程。
让我们以一个常见的场景为例——电商平台。
当我们在网上购物时，平台会收集大量关于我们的行为数据，比如浏览的商品、购买的历史、搜索的关键词等等。
通过对这些数据的分析，平台可以了解我们的喜好和需求，从而为我们推荐更符合我们兴趣的商品。
这不仅提升了我们的购物体验，也增加了平台的销售额。
数据分析的过程通常包括以下几个步骤：首先是数据收集。
这是数据分析的基础，没有数据，就无从分析。
数据的来源多种多样，可以是内部的业务系统，如销售记录、库存信息；也可以是外部的数据源，如市场调研、社交媒体等。
在收集数据时，要确保数据的准确性和完整性，否则后续的分析结果可能会出现偏差。
接下来是数据清洗。
由于收集到的数据可能存在缺失值、错误值、重复值等问题，所以需要对数据进行清理和预处理。
这就像是在烹饪前要先把食材洗净、切好一样，只有经过处理的数据才能用于后续的分析。
然后是数据分析。
这是整个过程的核心环节，根据具体的问题和目标，选择合适的分析方法和工具。
常见的分析方法有描述性统计分析，比如计算平均值、中位数、标准差等，以了解数据的集中趋势和离散程度；还有相关性分析，用于研究两个或多个变量之间的关系；以及预测分析，通过建立模型来预测未来的趋势和结果。
最后是结果呈现和解读。
将分析的结果以清晰、直观的方式展示出来，比如图表、报告等。
同时，要对结果进行合理的解读和解释，为决策者提供有价值的建议和洞察。
数据分析在各个领域都有着广泛的应用。
简单的数据分析
简单的数据分析在当今这个信息爆炸的时代，数据无处不在。
从我们日常的网络浏览行为、购物习惯，到企业的生产运营、市场调研，数据都扮演着至关重要的角色。
而数据分析，就是从这些海量的数据中提取有价值的信息，为决策提供支持，帮助我们更好地理解世界、解决问题。
那么，什么是数据分析呢？简单来说，数据分析就是对数据进行处理和分析，以发现数据中的规律、趋势和关系。
它就像是一个数据侦探，通过仔细观察和深入研究数据，揭示出隐藏在背后的故事。
数据分析的过程通常包括以下几个步骤。
首先是数据收集，这就像是为烹饪准备食材，我们需要从各种来源获取相关的数据。
这些数据可能来自数据库、调查问卷、传感器，甚至是社交媒体等。
然后是数据清理，就好比是洗菜、择菜，我们要去除数据中的杂质和错误，确保数据的质量和准确性。
接下来是数据分析，运用各种统计方法和工具，对数据进行处理和计算，找出其中的模式和趋势。
最后是数据可视化和报告，将分析的结果以直观的图表和简洁的文字呈现出来，让决策者能够轻松理解。
让我们通过一个简单的例子来更好地理解数据分析。
假设你是一家小型服装店的老板，你想了解哪种款式的衣服最受欢迎，以便更好地规划进货和库存。
首先，你可以通过销售系统收集过去一段时间内每种款式衣服的销售数据。
然后，对这些数据进行清理，去除一些异常值（比如由于系统故障导致的错误记录）。
接下来，通过分析这些数据，比如计算每种款式衣服的销售数量、销售额、销售增长率等指标，你可能会发现某些款式的衣服销量一直很高，而有些款式则销售不佳。
最后，将这些分析结果以图表的形式展示出来，比如用柱状图表示不同款式衣服的销售数量，用折线图表示销售增长率的变化趋势。
这样，你就可以清晰地看到哪种款式的衣服是热门款，哪种需要减少进货。
数据分析在各个领域都有着广泛的应用。
在商业领域，企业可以通过分析客户数据来了解客户的需求和行为，从而优化产品和服务，提高客户满意度和忠诚度。
例如，电商平台通过分析用户的浏览和购买历史，为用户推荐个性化的商品；银行通过分析客户的信用记录和交易数据，评估客户的信用风险，决定是否发放贷款。
简单的数据分析
简单的数据分析数据分析在现代社会中扮演着越来越重要的角色。
通过对大量数据进行收集、整理和解读，我们可以从中揭示出许多有用的信息和趋势，帮助我们做出更明智的决策。
本文将介绍数据分析的基本概念和方法，并以一个简单的案例来说明如何进行数据分析。
一、数据分析的概念和意义数据分析是指通过收集、整理和解读数据，来发现数据中存在的模式、关联和趋势，并提取有用的信息。
它可以帮助我们了解事物的本质、发现问题的根源，从而做出正确的判断和决策。
数据分析的意义在于：1. 帮助决策：通过对数据的分析，我们可以为决策者提供准确的信息和可靠的依据，帮助他们做出明智的决策。
2. 发现问题：数据分析可以揭示出系统中的问题和异常，帮助我们及时发现潜在的风险，并采取相应的措施。
3. 发现机会：通过对数据的挖掘和分析，我们可以发现新的机会，从而创造出更多的价值和商业机会。
二、数据分析的基本方法数据分析的过程可以分为以下几个步骤：1. 数据收集：首先，我们需要收集相关的数据，可以通过调查问卷、观察、实验和各种传感器等方式获取数据。
2. 数据清洗：收集到的数据通常会存在一些错误、缺失或异常值，需要进行数据清洗，剔除不准确的数据，填补缺失值，并处理异常值。
3. 数据整理：在进行数据分析之前，我们需要对数据进行整理和转换，使其符合分析的需求。
这包括选择和筛选关键的变量，进行变量转换和规范化等。
4. 数据分析：在完成数据整理后，可以使用各种统计方法和数据分析工具对数据进行分析。
常见的数据分析方法包括描述性统计、推断统计、回归分析、聚类分析和关联规则挖掘等。
5. 结果解释：最后，我们需要对分析结果进行解释和解读，将复杂的统计分析转化为易于理解的语言和图表，并提供相关的建议和决策支持。
三、案例分析：销售数据分析接下来，我们通过一个简单的案例来说明数据分析的应用。
假设某公司销售了一款产品，在过去一年中收集到了该产品的销售数据，我们希望通过对这些数据的分析，了解产品的销售情况和销售趋势，为公司的决策提供参考。
简单的数据分析
简单的数据分析在当今数字化的时代，数据无处不在。
从我们日常使用的手机应用程序到大型企业的运营决策，数据都扮演着至关重要的角色。
而数据分析，作为从海量数据中提取有价值信息的过程，其重要性不言而喻。
数据分析并非是一项高深莫测、只有专业人士才能掌握的技能。
实际上，它在我们的日常生活和工作中都有着广泛的应用。
比如，当我们在网上购物时，电商平台会根据我们的浏览历史、购买记录等数据，为我们推荐可能感兴趣的商品。
这背后就是简单的数据分析在起作用。
那么，什么是简单的数据分析呢？简单来说，它就是对数据进行收集、整理、分析和解释，以帮助我们做出更明智的决策或获取有价值的见解。
首先是数据的收集。
这是数据分析的第一步，也是至关重要的一步。
数据的来源多种多样，可以是调查问卷、传感器收集的信息、数据库中的记录等等。
例如，一家餐厅想要了解顾客对菜品的满意度，就可以通过发放调查问卷的方式收集数据。
问卷中的问题可能包括菜品的口味、分量、价格等方面。
收集到数据后，接下来就是整理。
这一步就像是把一堆杂乱无章的物品进行分类和整理。
在数据整理过程中，我们需要检查数据的完整性和准确性，去除重复的数据，并将其转换为易于分析的格式。
比如说，如果收集到的顾客年龄数据有的是用数字表示，有的是用年龄段表示，那么就需要统一格式，以便后续的分析。
有了整理好的数据，就可以进行分析了。
分析的方法有很多种，常见的有描述性分析、相关性分析和预测性分析。
描述性分析主要是对数据的基本特征进行总结和描述。
比如计算平均值、中位数、标准差等统计量，或者制作图表来直观地展示数据的分布情况。
以一个班级的考试成绩为例，通过描述性分析，我们可以知道全班的平均成绩、成绩的最高值和最低值，以及成绩的分布是集中还是分散。
相关性分析则是研究不同变量之间的关系。
例如，研究气温和冰淇淋销量之间是否存在关联。
如果随着气温的升高，冰淇淋销量也随之增加，那么就可以说气温和冰淇淋销量之间存在正相关关系。
简单的数据分析
简单的数据分析在当今数字化的时代，数据无处不在。
从我们日常的网络购物、社交媒体互动，到企业的运营管理、市场调研，数据都扮演着至关重要的角色。
而数据分析，就是从这些海量的数据中挖掘出有价值的信息，为决策提供支持。
数据分析并非是一个高深莫测的概念，它其实就在我们的日常生活中。
比如，当我们决定购买一款手机时，会比较不同品牌和型号的价格、性能、用户评价等信息，这实际上就是在进行简单的数据分析。
我们会根据这些数据来判断哪一款手机更符合我们的需求和预算。
在企业中，数据分析的应用则更加广泛和深入。
以销售部门为例，通过分析销售数据，企业可以了解不同产品在不同地区、不同时间段的销售情况。
比如，某款产品在南方地区的夏季销量特别高，而在北方地区的冬季销量较低。
通过这样的分析，企业可以调整生产和库存策略，优化供应链管理，从而降低成本，提高利润。
再比如，人力资源部门可以通过分析员工的绩效数据，了解员工的工作表现，找出优秀员工的共同特点，为招聘和培训提供参考。
财务部门可以分析成本数据，发现潜在的节约成本的机会。
市场营销部门可以通过分析客户数据，了解客户的需求和偏好，制定更有针对性的营销策略。
然而，要进行有效的数据分析，并不是简单地收集和罗列数据，而是需要遵循一定的步骤和方法。
首先，要明确分析的目的。
是为了解决某个具体的问题，还是为了探索新的机会？比如，如果是为了提高客户满意度，那么需要关注的可能是客户投诉的数据、产品返修率等；如果是为了开拓新的市场，那么可能需要分析不同地区的市场规模、竞争态势等。
其次，要收集相关的数据。
数据的来源可以是内部的业务系统，也可以是外部的市场调研、行业报告等。
在收集数据时，要确保数据的准确性和完整性。
如果数据存在错误或缺失，那么分析的结果可能会产生偏差。
然后，对数据进行整理和清洗。
这一步骤非常重要，因为原始数据往往是杂乱无章的，可能包含重复的数据、错误的数据或者与分析目的无关的数据。
通过数据清洗，可以将这些“杂质”去除，使数据更加规范和可用。
简单的数据分析范文
简单的数据分析范文数据分析是指对一组数据进行收集、处理和解释的过程。
通过对数据的分析，可以发现数据背后的趋势、模式、关系和规律，从而为决策提供依据。
下面将介绍数据分析的基本流程和常用的数据分析方法。
数据分析的基本流程包括数据收集、数据清洗、数据分析和数据解释。
数据收集是指从不同的数据源获取数据，例如数据库、网络、传感器等。
在数据收集阶段，需要明确数据的目的和范围，选择合适的数据源，并获取数据。
数据清洗是指对收集到的数据进行处理，使其符合分析的要求。
数据清洗包括去除重复数据、填补缺失数据、处理异常值等。
通过数据清洗，可以减少数据分析过程中的误差和偏差。
数据分析是指对清洗后的数据进行统计和计算，以发现数据的特征和规律。
常用的数据分析方法有描述统计分析、相关性分析、回归分析、聚类分析、分类分析等。
这些方法可以帮助发现数据的潜在关系和趋势，为后续的决策提供参考。
描述统计分析是对数据进行总结和描述的方法。
描述统计分析包括计算数据的中心趋势（平均值、中位数、众数）、离散程度（方差、标准差）、分布情况（频率分布、直方图）、相关性（协方差、相关系数）等。
通过描述统计分析，可以对数据的基本特征有一个初步了解。
相关性分析是用来研究不同变量之间关系的方法。
相关性分析可以通过计算协方差和相关系数来衡量变量之间的相关性。
协方差表示变量之间的线性关系程度，相关系数表示变量之间的相关性强度和方向。
回归分析是用来研究因变量和自变量之间关系的方法。
回归分析可以通过建立回归模型来预测因变量的值。
回归模型包括线性回归、多项式回归、逻辑回归等。
聚类分析是将数据分为若干个互不重叠的类别的方法。
聚类分析可以帮助发现数据的内在结构和分类规律。
常用的聚类方法有层次聚类、K-means聚类等。
分类分析是根据已知数据建立分类模型，并将新数据分到相应的类别中的方法。
分类分析可以帮助判断未知数据的类别。
常用的分类方法有决策树、支持向量机、朴素贝叶斯等。
简单的数据分析
简单的数据分析
下面是某县—年家庭电脑拥有量的统计图。
.估计一下，到年这个县家庭电脑拥有量是多少？
.从图上你还能知道什么？
先让学生仔细审题，理解题意。
师：提问。
检查学生是否已经理解题意。
让学生仔细观察统计图，想想这个图说明了什么。
小组讨论。
师：提问。
通过这个图，你知道了什么？
生：我知道了年拥有电脑量是台，年拥有电脑量是台，年拥有电脑量
是台，年拥有电脑量是台，年拥有电脑量是台。
师：提问。
谁还能补充？
生：电脑数量越来越多。
师：还有吗？
生：一年比一年增加的多。
师：说得好！究竟到年电脑有多少台？
生：因为上一年增加了台，年增加的比台要多，所以我估计年是台。
师：你说的合理。
简单的数据分析
简单的数据分析在当今数字化的时代，数据无处不在。
从我们日常使用的手机应用程序，到企业的运营管理，再到政府的决策制定，数据都扮演着至关重要的角色。
而数据分析，作为从海量数据中提取有价值信息的手段，也变得越来越重要。
那么，什么是数据分析呢？简单来说，数据分析就是对数据进行处理和分析，以获取有用的信息和见解。
它不仅仅是对数字的罗列和计算，更是要通过深入挖掘数据背后的模式、趋势和关系，为决策提供依据。
数据分析的过程通常包括以下几个步骤。
首先是数据收集，这就像是为烹饪准备食材，我们需要从各种来源获取相关的数据。
这些来源可以是数据库、调查问卷、传感器，甚至是社交媒体等。
收集到的数据可能是杂乱无章的，所以接下来就要进行数据清理。
在这个阶段，我们要处理缺失值、纠正错误、去除重复数据等，以确保数据的质量和准确性。
有了干净准确的数据，就可以进入数据分析的核心环节——数据分析方法的选择和应用。
常见的分析方法有描述性分析、推断性分析和预测性分析。
描述性分析主要是对数据的基本特征进行概括和总结，比如计算平均值、中位数、标准差等。
通过这些统计量，我们可以对数据有一个初步的了解。
推断性分析则是基于样本数据对总体的特征进行推断和估计，比如进行假设检验、置信区间估计等。
预测性分析则是利用历史数据来预测未来的趋势和结果，常见的方法有回归分析、时间序列分析等。
在选择分析方法时，需要根据具体的问题和数据特点来决定。
比如，如果我们想了解某个产品在不同地区的销售情况，可能会使用描述性分析来比较各个地区的销售额和销售量。
如果要研究某种营销策略对销售业绩的影响，可能就需要进行推断性分析来确定这种影响是否显著。
而如果要预测未来几个月的销售趋势，那么预测性分析就派上用场了。
数据分析的结果通常以图表、报告等形式呈现出来。
图表能够直观地展示数据的分布和趋势，让人们更容易理解和接受。
报告则要清晰地阐述分析的目的、方法、结果和结论，为决策者提供详细的信息和建议。
简单的数据分析
简单的数据分析在当今数字化的时代，数据无处不在。
从我们日常的网络浏览行为，到企业的运营管理，再到科研领域的探索，数据都扮演着至关重要的角色。
而数据分析，作为从这些海量数据中提取有价值信息的手段，其重要性不言而喻。
那么，什么是数据分析呢？简单来说，数据分析就是对数据进行处理和分析，以获取有用的见解和结论。
它不仅仅是一堆数字的罗列和计算，更是一种通过数据来理解事物、发现问题、做出决策的方法。
为了更好地理解数据分析，让我们先来看一个日常生活中的例子。
假设你是一家小超市的老板，你每天都会记录商品的销售数量和销售额。
通过对这些数据的分析，你可能会发现某些商品在特定的时间段内销售特别好，比如周末的时候零食的销量会大幅增加；而某些商品则一直滞销。
基于这些发现，你可以调整进货策略，在周末多进一些零食，减少滞销商品的库存，从而提高店铺的整体效益。
在企业中，数据分析的应用则更加广泛和深入。
比如，市场营销部门可以通过分析客户的购买行为和偏好数据，来制定更有针对性的营销策略，提高营销效果；人力资源部门可以通过分析员工的绩效数据，来评估员工的工作表现，为培训和晋升提供依据；财务部门可以通过分析财务数据，来监控企业的财务状况，预测资金需求，制定合理的预算。
数据分析的过程通常包括数据收集、数据处理、数据分析和数据可视化等几个主要步骤。
数据收集是数据分析的第一步，也是非常关键的一步。
数据的质量和完整性直接影响到后续分析的结果。
数据的来源多种多样，可能来自企业内部的业务系统，如销售系统、客户关系管理系统等；也可能来自外部，如市场调研、社交媒体等。
在收集数据时，需要明确分析的目的，有针对性地收集相关数据，并确保数据的准确性和可靠性。
数据处理是对收集到的数据进行清理、转换和整合，使其符合分析的要求。
在实际情况中，收集到的数据往往存在缺失值、错误值、重复值等问题，需要进行处理和修正。
同时，还需要将不同来源、不同格式的数据进行整合，统一数据格式和标准。
简单的数据分析
简单的数据分析在当今数字化的时代，数据无处不在。
从我们日常使用的手机应用程序到大型企业的运营管理，数据都扮演着至关重要的角色。
而数据分析，则是从这些海量的数据中提取有价值信息的关键过程。
它就像是一把神奇的钥匙，能够帮助我们打开隐藏在数据背后的秘密，为决策提供有力的支持。
那么，什么是数据分析呢？简单来说，数据分析就是对数据进行处理和分析，以获取有用的见解和结论。
这可能包括收集数据、整理数据、计算统计指标、制作图表以及解释结果等一系列步骤。
首先，让我们来谈谈数据的收集。
数据可以来自各种各样的来源，比如调查问卷、传感器、数据库、网络爬虫等等。
收集到的数据可能是杂乱无章的，需要进行整理和清洗，去除重复、错误或不相关的信息。
这就像是在一堆杂物中挑选出有用的宝贝，需要耐心和细心。
接下来是数据分析的核心部分——处理和分析数据。
这时候，我们会运用各种统计方法和工具。
比如说，计算平均值、中位数、标准差等统计指标，以了解数据的集中趋势和离散程度。
我们还可以进行相关性分析，看看不同变量之间是否存在关联。
图表是数据分析中非常有用的工具。
通过柱状图、折线图、饼图等，我们可以更直观地看到数据的分布和趋势。
比如，用柱状图展示不同产品的销售数量，用折线图反映某个指标随时间的变化。
图表能够让复杂的数据变得一目了然，帮助我们更快地发现问题和规律。
然而，数据分析不仅仅是计算和画图，更重要的是对结果的解释和理解。
同样的数据，不同的人可能会得出不同的结论，这就需要我们结合实际情况和专业知识进行深入思考。
举个例子，一家电商企业发现某个时间段内某种商品的销量突然下降。
通过数据分析，他们发现可能是因为竞争对手推出了类似的产品，价格更优惠；也可能是因为该商品的质量出现了问题，导致用户评价不佳。
只有找到真正的原因，企业才能采取有效的措施来解决问题，比如调整价格策略、改进产品质量或者加强市场推广。
再比如，一个城市的交通管理部门通过分析交通流量数据，发现某个路口在特定时间段经常出现拥堵。
- 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)。
简单的数据分析1
教学目标：
1．会看横向条形统计图和起始格与其他格代表的单位量不一致的条形统计图，
并能根据统计表中的数据完成统计图。
2．初步学会简单的数据分析，进一步感受到统计对于决策的作用，体会统计在
现实生活中的作用，理解数学与生活的紧密联系。
3．加强学生提出问题、解决问题能力的培养，充分引导学生自主探索、合作交
流。
教学准备：
1、例1用：每人一张空白的统计图（纵向），四人小组一张空白的格子图。
2、例2用：师准备一些不同单位的空白统计图。（1小格分别表示1厘米、2厘
米、5厘米、10厘米、20厘米的空白统计图。）
教学课时
：2课时。
第1课时教学过程：
一、教学例1──横向条形统计图。
1．创设情境，复习旧知。
A：出示电视节目情境图，让学生说说“最喜欢看那类电视节目”。
B：出示“调查59儿童最喜欢的电视节目”{的数据并根据这些数据引导学生独
立画出纵向条形统计图。（师事先准备的空白统计图）
C：师提问：横轴表示什么？纵轴表示什么？每一小格表示多少数量？
2．提出问题，引入新课。
A：师谈话：画出条形统计图，我们就能清楚的看出各种电视节目喜欢看的人数
之间的差异。但是，有时候纸的空间太小，不够画出这样纵向的条形统计图，那
怎么办呢？
B：引出新课：如果我们把纵向的条形统计图变成横放的条形统计图，那占的上
下空间就小了。这样横轴就变成表示矿泉水卖出的数量，纵轴变成表示各种不同
品牌的矿泉水。
3．小组合作，自主探究。
A：师问：你能和四人小组的伙伴讨论讨论，再试着设计设计吗？
B：学生四人小组合作，讨论设计横向的条形统计图。
C：交流汇报展示四人小组的作品。学生自己介绍本组设计的条形统计图。
D：师肯定孩子的创作，并出示规范的横向条形统计图。
E：全班学生说说横向条形统计图横轴、纵轴、每一小格表示的意思。
F：全班学生完成书上没画完的横向统计图。
4．分析数据，解决问题。
A：师提问：根据横向统计图上的数据，你知道了什么？
B：你能提出什么问题？
C：如果学校要办一个校园电视台，你有什么好的建议？
D：师小结：你看，统计图还可以帮助我们分析问题，帮我们决策。
5．巩固练习。
P40第1题。
A：看横向统计图，说说统计图各部分表示的意思。（同桌交流）
B：根据统计图，回答问题。
课后练习1
一、选 择。
1． 下面是三年级1班同学出生月份的统计图。
(1)7～9月出生的人数比1～3月的多( )人。
(2)4～6和10～12月出生的总人数是( )人。
A。16 B。10 C．22
2． 下图是某动物园各种猴子的统计图。
(1)( )的数量最少。
(2)( )与( )数量是相等的。
A.猕猴 B．金丝猴 C．长尾猴
二、填 空。
1． 下图是某小学同学最喜欢吃的水果统计图。
(1)在统计图中喜欢吃( )的人数最多。
(2)喜欢吃橘子和香蕉的一共有( )人。
(3)喜欢吃其他水果的人数比喜欢吃苹果的人数少( )人。
2．小燕子每年从( )方飞往( )方过冬。
3．三年级(3)班学生身高情况统计图。
(1)根据统计图填写统计表。
身高(厘米) 120以下 120～130 131～140 140以下
人数
(2)身高在( )的人数最多；在( )的人数最少。
(3)身高在120～130厘米范围内的有( )人。
(4)身高在120～130厘米范围以内的人数比140厘米以上的多( )人。
(5)全班一共有( )人。
三、填表格并制成统计图。
三(2)班家庭人口数量调查，统计结果如下：
每户人口数 2 3 4 5
家庭数 正 正正正正 正正 正
(1) 根据上面的记录，填写统计表。
三（2）班同学家庭人口数量统计表
每户人数 2 3 4 5
家庭数
(2) 根据上面统计表制成统计图
四、应用题。
1． 下面是民光小学阅览室的课外读物数量统计图。
(1)阅览室的教学辅导书比最多的一类书少多少本?
(2)故事书和科普书一共有多少本?
（3）民光小学共有学生500名，学校再买多少本课外书就够人均一本?
2． 果园摘了6500千克的苹果，准备用5辆小货车运走，平均每辆小货车装多少
千克苹果?