生成描述性统计数据

要生成“销售额”数据列的描述性统计，需要提供该列的原始数据或可访问的数据源。目前尚未收到具体数据，以下为标准化的统计指标清单、计算方法和返回格式。一旦提供数据（如CSV、DataFrame或SQL表），我将基于这些规范输出数值结果。

输入需求
- 数据格式：单列数值（销售额），包含货币单位说明（例如：人民币，含税/不含税）。
- 业务规则：是否包含退货/负值、是否包含运费/税费、时间范围、是否存在重复记录。
- 缺失值标识：NA、空字符串或特殊编码。

统计指标清单（针对连续型金额列）
- 计数相关：
  - 非缺失计数（count）
  - 缺失计数（missing_count）
  - 零值计数（zero_count）
- 位置与离散：
  - 总和（sum）
  - 平均值（mean）
  - 中位数（median）
  - 最小值、最大值（min, max）
  - 极差（range = max − min）
  - 方差、标准差（variance, std）
  - 变异系数（cv = std / mean）
  - 四分位数（Q1, Q3）与四分位距（IQR = Q3 − Q1）
  - 选定分位数：p1, p5, p95, p99
  - 中位绝对偏差（MAD）
- 形态：
  - 偏度（skewness）
  - 峰度（kurtosis）
- 异常值度量（可选）：
  - IQR规则下的异常值计数与比例（< Q1 − 1.5×IQR 或 > Q3 + 1.5×IQR）
  - Z分数规则下的异常值计数与比例（|z| ≥ 3）（如分布近似正态）
- 分布不均衡度（可选，用于销售数据常见的长尾分布）：
  - Top 1%、5%、10%销售额占比
  - Gini系数（如需衡量集中度）

计算方法示例
- Python（pandas）
  - 预处理：
    - 将销售额列转为数值：df['sales'] = pd.to_numeric(df['sales'], errors='coerce')
    - 去除无意义负值或根据业务保留退货：按规则过滤
  - 统计：
    - s = df['sales'].dropna()
    - 指标直接用 s.sum(), s.mean(), s.median(), s.min(), s.max(), s.std(), s.var(), s.quantile([0.01,0.05,0.25,0.5,0.75,0.95,0.99]) 等
    - 偏度、峰度：from scipy.stats import skew, kurtosis
    - MAD：from statsmodels import robust; robust.mad(s, c=1)
    - IQR异常：q1, q3 = s.quantile([0.25, 0.75]); iqr = q3 - q1; lower = q1 - 1.5*iqr; upper = q3 + 1.5*iqr; outlier_count = ((s < lower) | (s > upper)).sum()
    - Top占比：share_top10 = s.nlargest(int(len(s)*0.10)).sum() / s.sum()
- SQL（以PostgreSQL为例）
  - 基本指标：
    - SELECT count(sales) AS count_non_null, sum(sales) AS sum, avg(sales) AS mean, min(sales) AS min, max(sales) AS max, stddev_samp(sales) AS std, var_samp(sales) AS var FROM table;
  - 分位数（近似）：
    - SELECT percentile_cont(0.5) WITHIN GROUP (ORDER BY sales) AS median, percentile_cont(0.25) AS q1, percentile_cont(0.75) AS q3, percentile_cont(0.95) AS p95, percentile_cont(0.99) AS p99 FROM table WHERE sales IS NOT NULL;
  - 零值、缺失、异常值计数：
    - SELECT sum(CASE WHEN sales=0 THEN 1 ELSE 0 END) AS zero_count, sum(CASE WHEN sales IS NULL THEN 1 ELSE 0 END) AS missing_count FROM table;
    - 对IQR异常值需先计算q1、q3后在应用阈值（可用CTE）。

数据预处理要点
- 统一货币与税费口径：确保金额可比；如跨币种，先汇率归一化。
- 处理退货和负值：明确是否计入销售额统计或单独报告。
- 去重：识别重复交易或重复行，避免重复计数。
- 异常金额验证：极端值可先进行规则校验（如订单金额上限）再决定是否剔除或单独标注。
- 时间维度一致性：如为累计销售额列，避免与交易级混用。

结果解读建议
- 销售额通常右偏长尾，关注中位数与分位数而非仅均值。
- 变异系数和IQR能更好反映波动性；MAD适合作为稳健离散度量。
- Top占比或Gini系数用于评估销售集中度，有助于识别头部客户或单品的贡献。
- 异常值应结合业务规则确认是正常大单还是数据问题。

标准返回格式示例（无具体数值，仅结构）
- 基本统计：
  - count_non_null: …
  - missing_count: …
  - zero_count: …
  - sum: …
  - mean: …
  - median: …
  - min: …
  - max: …
  - range: …
  - variance: …
  - std: …
  - cv: …
- 分位数：
  - p1: …
  - p5: …
  - q1: …
  - q3: …
  - p95: …
  - p99: …
  - iqr: …
  - mad: …
- 形态与异常：
  - skewness: …
  - kurtosis: …
  - outlier_count_iqr: …
  - outlier_ratio_iqr: …
- 集中度（可选）：
  - share_top1: …
  - share_top5: …
  - share_top10: …
  - gini: …

请提供“销售额”数据或数据样例（前几行），以及上述业务口径说明。我将据此计算并返回完整的描述性统计结果。

为“留存率”列提供描述性统计需要确认数据粒度与取值范围，并计算核心统计量。由于未提供原始数据，以下是标准化流程、应报告的指标以及可直接执行的计算示例。请根据你的数据结构（单用户层或群组/分群层）选择相应方法，并提供数据以便我输出具体数值。

一、数据校验与预处理
- 类型与范围：
  - 确认留存率是否为比例（0–1）或百分比（0–100）。如为百分比，统一转换为比例：rate = value / 100。
  - 标记并剔除不可能值（rate < 0 或 rate > 1）。记录异常数量。
- 粒度确认：
  - 单用户层（二元变量：留存=1/未留存=0）：均值即总体留存率；分布为伯努利型。
  - 分群/分期聚合层（每行是一个群组的留存率）：报告非加权统计，同时如有群组样本量（如 cohort_size），需给出加权统计（加权均值、加权分位数用加权方法）。
- 缺失值处理：
  - 统计缺失数量与比例；描述性统计通常在非缺失值上计算，不进行填补。
- 去重检查：
  - 如因关联导致重复行，需依据主键去重后再计算。

二、建议报告的描述性统计指标（未加权）
- 计数与缺失：
  - 非缺失样本数 n
  - 缺失值数量与比例
- 位置与离散程度：
  - 均值 mean
  - 中位数 median
  - 标准差 std、方差 var
  - 最小值 min、最大值 max
  - 四分位数 Q1、Q3，四分位距 IQR = Q3 − Q1
  - 关键分位数：P1、P5、P95、P99
  - 变异系数 CV = std / mean（仅在 mean > 0 时报告）
- 分布形态：
  - 偏度 skewness
  - 峰度 kurtosis（可报告超额峰度，即相对正态的偏离）
- 异常值：
  - IQR法：低于 Q1 − 1.5×IQR 或高于 Q3 + 1.5×IQR 的数量与比例
  - Z分数法：|z| > 3 的数量与比例（适用于近似正态的聚合率分布）
- 特殊比例：
  - rate 等于 0 或 1 的比例（有助于识别极端群组或质量问题）

三、加权统计（分群数据建议同时报告）
- 加权均值（以群组样本量 w 加权）：mean_w = Σ(w_i × rate_i) / Σ(w_i)
- 加权分位数：需使用加权分布函数（例如按权重展开或用加权分位数算法）；如无法计算，至少报告加权均值与加权标准差。

四、计算示例（Python/pandas）
- 单列未加权统计：
  - s = pd.Series(retention_rate)  # 已统一为 0–1
  - s = s.dropna()
  - n = s.size
  - mean = s.mean(); median = s.median(); std = s.std(ddof=1); var = s.var(ddof=1)
  - min_, max_ = s.min(), s.max()
  - q1, q3 = s.quantile(0.25), s.quantile(0.75); iqr = q3 - q1
  - p1, p5, p95, p99 = s.quantile([0.01, 0.05, 0.95, 0.99])
  - cv = (std / mean) if mean > 0 else None
  - skew = s.skew(); kurt = s.kurt()  # pandas为超额峰度
  - out_iqr = ((s < q1 - 1.5*iqr) | (s > q3 + 1.5*iqr)).mean()
  - prop_zero = (s == 0).mean(); prop_one = (s == 1).mean()
- 加权均值（有 cohort_size 列）：
  - mean_w = (df['rate'] * df['cohort_size']).sum() / df['cohort_size'].sum()

五、结果解读要点
- 均值与中位数差异较大通常表示偏态；结合偏度判断方向（正偏度表示长右尾）。
- 高CV或IQR相对均值较大说明群组间异质性强，可能需要进一步分层分析。
- 边界值比例（0或1）高或存在>1/<0值，多为数据质量问题或计算口径不一致。
- 对分群留存率，优先用加权均值进行总体判断；非加权分位数用于了解群组分布。

请提供“留存率”列的原始数据样本、列类型（比例或百分比）、数据粒度（单用户或分群）及可用权重（如群组样本量）。我将据此计算并返回完整的描述性统计结果。

要提供“停留时长”列的描述性统计，需要原始数据。由于你尚未提供具体数据，以下给出应计算的统计指标、核验要点及可复用的计算方法。你可以将数据提供为CSV/SQL表或说明计量单位（秒/分钟），我即可产出具体数值。

一、数据核验与预处理
- 数据类型：应为数值型；若为字符串，需转换为数值。
- 单位与尺度：确认单位（建议统一为秒）；若为分钟需统一转换。
- 异常值检查：负值视为无效；极大值需确认是否为采集问题。
- 缺失与零值：统计缺失比例与零值比例（零值可能代表未发生或计时未启动）。

二、建议输出的描述性统计指标
- 样本量与缺失
  - count：非缺失记录数
  - missing_count、missing_rate：缺失数量与比例
  - unique：非缺失唯一值数量
- 位置与尺度
  - min、max、range：最小、最大、极差
  - mean、median：均值、中位数
  - q1、q3、iqr：25%分位、75%分位、四分位距
  - p5、p95、p99：5%、95%、99%分位（可用于尾部分析）
  - std、var：样本标准差、样本方差（ddof=1）
  - cv：变异系数 = std / mean（均值为0时不可用）
  - geometric_mean（可选）：几何均值，需全部为正且适用于对数偏态分布
- 分布形状
  - skew：偏度（>0表右偏）
  - kurtosis：峰度（Fisher定义，正值表示尖峰厚尾）
- 数据质量与离群
  - zero_count、zero_rate：零值数量与比例
  - negative_count、negative_rate：负值数量与比例
  - outlier_count_iqr、outlier_rate_iqr：基于IQR规则的离群点计数与比例（阈值为 [Q1−1.5*IQR, Q3+1.5*IQR]）

三、Python计算示例（pandas）
请将 df['停留时长'] 替换为你的数据列，并确认单位。
- ddof=1 计算样本统计，符合常用描述性统计习惯。
- 如果为分钟，先做 df['停留时长'] *= 60 转为秒。

代码：
import numpy as np
import pandas as pd
from scipy import stats

s_raw = df['停留时长']
s = pd.to_numeric(s_raw, errors='coerce')  # 转数值
missing_count = s.isna().sum()
missing_rate = s.isna().mean()

s = s.dropna()
n = s.size

desc = {}
desc['count'] = n
desc['missing_count'] = missing_count
desc['missing_rate'] = round(missing_rate, 6)
desc['unique'] = s.nunique()
desc['min'] = s.min()
desc['p5'] = s.quantile(0.05)
desc['q1'] = s.quantile(0.25)
desc['median'] = s.median()
desc['mean'] = s.mean()
desc['q3'] = s.quantile(0.75)
desc['p95'] = s.quantile(0.95)
desc['p99'] = s.quantile(0.99)
desc['max'] = s.max()
desc['range'] = desc['max'] - desc['min']
desc['std'] = s.std(ddof=1)
desc['var'] = s.var(ddof=1)
desc['cv'] = desc['std'] / desc['mean'] if desc['mean'] != 0 else np.nan
desc['iqr'] = desc['q3'] - desc['q1']
desc['skew'] = s.skew()
# pandas.kurtosis 默认为 Fisher 定义（减3），如版本差异可用 scipy
desc['kurtosis'] = stats.kurtosis(s, fisher=True, bias=False)

zero_mask = (s == 0)
desc['zero_count'] = int(zero_mask.sum())
desc['zero_rate'] = float(zero_mask.mean())

neg_mask = (s < 0)
desc['negative_count'] = int(neg_mask.sum())
desc['negative_rate'] = float(neg_mask.mean())

iqr = desc['iqr']
lower = desc['q1'] - 1.5 * iqr
upper = desc['q3'] + 1.5 * iqr
outlier_mask = (s < lower) | (s > upper)
desc['outlier_count_iqr'] = int(outlier_mask.sum())
desc['outlier_rate_iqr'] = float(outlier_mask.mean())

# 几何均值（仅正数）
pos = s[s > 0]
desc['geometric_mean'] = float(stats.gmean(pos)) if pos.size == n else np.nan

print(pd.Series(desc))

四、SQL（PostgreSQL）示例
- 使用 percentile_cont 计算分位数。
- stddev_samp 为样本标准差。

SELECT
  COUNT(*) FILTER (WHERE "停留时长" IS NOT NULL) AS count,
  COUNT(*) FILTER (WHERE "停留时长" IS NULL) AS missing_count,
  AVG(CASE WHEN "停留时长" IS NULL THEN 1 ELSE 0 END)::float / COUNT(*) AS missing_rate,
  MIN("停留时长") AS min,
  percentile_cont(0.05) WITHIN GROUP (ORDER BY "停留时长") AS p5,
  percentile_cont(0.25) WITHIN GROUP (ORDER BY "停留时长") AS q1,
  percentile_cont(0.50) WITHIN GROUP (ORDER BY "停留时长") AS median,
  AVG("停留时长") AS mean,
  percentile_cont(0.75) WITHIN GROUP (ORDER BY "停留时长") AS q3,
  percentile_cont(0.95) WITHIN GROUP (ORDER BY "停留时长") AS p95,
  percentile_cont(0.99) WITHIN GROUP (ORDER BY "停留时长") AS p99,
  MAX("停留时长") AS max,
  stddev_samp("停留时长") AS std,
  VARIANCE("停留时长") AS var
FROM your_table;

五、下一步
- 请提供“停留时长”数据样本或完整列（含单位），我将据此输出具体的描述性统计数值与简要解读（如偏态程度、尾部特征、离群点占比）。如果存在分群（如按渠道或页面），可同步计算分组描述性统计以支持进一步分析。