数据中心收入分析

---

一、如何分析月薪数据大多数人都有收入报告以进行数据分析。我个人认为，分析月薪数据时，均值大于平均数。
首先，中位数意味着大多数与月薪相关的事情都更重要。
月工资中位数是以平均值为目标统计量的统计量。这个统计对应的人是职场中大多数人统计的数据，作为平均月薪，数值数据显然更有价值。
其次，平均月薪将是最高平均月薪和最低平均月薪。
如果用职场上每个人的平均收入作为平均月薪，表面上看起来合理，但实际上对于月薪最高的人来说并没有多大意义。得到的结果显然不是很显着，所以这个统计的价值不大。只有这样的统计数据才会更加有意义，其统计结果才会更加有价值。

---

二、性别和收入怎么分析

变量描述：

在确定分析方法之前，我们需要了解手头的数据类型。这是最基本也是最必要的。在所有数据类型中，我们将数据类型分为几类，变量也称为分类变量，连续变量也称为定量变量。那么什么是分类变量呢？什么是定量变量？

通俗地说，分类变量在数值大小方面不具有比较意义。例如，性别中，1代表男性，2代表女性。它们仅代表类别。下图中，1代表底妆，2代表唇妆等等，只有类别关系。

数量变量一般来说，数字的大小具有比较意义。例如，在测量青少年身高时，1.4m高于1.3m。这个数字本身就具有比较意义。比如下图中沙发的价格，数字越大越贵。，数字越小越便宜，数字可以比较。通过对数据类型的解释，在本讨论中我们对不同的数据类型进行分类和解释，即分类和连续变量、连续和连续变量以及分类和分类变量。

如果数据是分类变量和连续变量，那么在分析时，分析方法大致可以分为三类：参数检验、非参数检验和可视化图形。参数检验包括t检验和方差分析。，非参数检验包括MannWhitney统计量和Kruskal-Wallis统计量。并且还可以使用可视化图形进行查看。

如果数据是连续数据和连续变量，那么在分析时，分析方法大致可以分为四类，相关分析、参数检验、非参数检验和视觉图形。相关分析一般包括Pearson相关系数和Spearman相关系数。如果连续变量和连续变量的样本量相同，参数检验中可以考虑使用配对t检验，非参数检验包括配对wilcoxon，可视化图形可以考虑使用散点图。如果数据是分类变量和分类变量，那么在分析时，分析方法大致可以分为三类：卡方检验和可视化图形。卡方检验包括皮尔逊卡方、费舍尔卡方、耶茨校正卡方、以及科克伦-阿米蒂奇检验、线性趋势卡方，也可以使用可视化图形查看（堆积柱形图、条形图）。

示例分析

（1）分析过程

我想调查饮食习惯（大米食物），不分性别（男）或女性）、意大利面），卡方检验的分类应采用皮尔逊卡方检验。

从分析结果可以看出，60%的男性更喜欢吃面食，80%的女性更喜欢吃米饭。。从数据来看，不同性别的饮食习惯存在差异。模型中的卡方值为16.667，p值小于0.05。拒绝原假设，表明模型显着，不同性别的饮食习惯存在差异。而且从堆积的柱形图中，我们也可以直观地看到，男性更喜欢吃面食，女性更喜欢吃米饭。

---

三、数据分析师工资收入多少这个不能一概而论
各行各业都是如此，要看能力和经验
以广州为例：
如果你没有经验，加入工作就会付出代价三四千到五千多左右工作经验七八年的话2万没问题。
当然，我说的是大概，因为不同行业的公司不一样！