Median 甚麼意思？深入解析中位數的定義、計算與應用

「Median 甚麼意思？」這個問題，可能常常在你面對數據、統計報告，甚至是在玩撲克牌、理解房價時浮現。究竟這個「中位數」是個什麼樣的玩意兒？它跟我們常聽到的「平均數」又有什麼不一樣呢？別擔心，這篇文章就是要讓你一次搞懂 Median 的所有事！讓我們一起揭開它神祕的面紗，讓你對數據有更深刻的理解。

Median 是什麼意思？

簡單來說，Median（中位數）就是一組數據中，經過排序後位於正中間的那個數值。想像一下，你有一堆數字，你先把它們從小到大（或從大到小）排好，然後找到那堆數字的「正中央」那個數字，它就是中位數了！

為什麼中位數這麼重要呢？因為它不像平均數那樣容易受到極端值（也就是特別大或特別小的數字）的影響。平均數就像一艘船，如果上面載了很多很重的貨物，它的平均重量就會被這些重貨物拉高。但中位數就不一樣了，它只在乎中間的位置，所以即使有幾箱超級重的貨物，只要它們不是在所有貨物的正中間，就不會對中位數產生太大的影響。這讓中位數在描述數據的「典型」情況時，有時候比平均數更為精準和穩健。

如何計算 Median？

計算中位數其實並不難，主要分為兩種情況，取決於你的數據筆數是奇數還是偶數。讓我來一步一步教你怎麼做，保證你學會！

第一步：整理數據

無論如何，第一步都是先把你的數據「排序」。你可以選擇從小到大排，也可以從大到小排，結果都會一樣。這一步非常關鍵，因為中位數的定義就是基於排序後的數據。

第二步：判斷數據筆數

接下來，數一數你總共有多少個數據點。這會決定你接下來的計算方式。

情況一：數據筆數是奇數

如果你的數據點數量是奇數，那麼計算中位數就超級簡單！排序完畢後，中位數就是那個「恰好」在最中間的數字。例如，如果你有 7 個數據，排序後，位於第 4 個位置的那個數字就是中位數。

計算公式： 第 (n+1)/2 個數據點，其中 n 是數據的總筆數。

情況二：數據筆數是偶數

如果你的數據點數量是偶數，這時候就會有兩個數字並列在「正中間」。怎麼辦呢？別慌！這時候，中位數就是這兩個中間數字的「平均數」。

計算公式： (第 n/2 個數據點 + 第 (n/2)+1 個數據點) / 2，其中 n 是數據的總筆數。

舉個例子，如果你有 6 個數據，排序後，你會發現中間有兩個數字，比如第 3 個和第 4 個。那麼，中位數就是這兩個數字加起來除以 2。

實際操作範例：

• 範例一 (奇數筆數)： 數據為 3, 7, 1, 9, 5。
  1. 排序後：1, 3, 5, 7, 9。
  2. 數據筆數為 5 (奇數)。
  3. 中間位置是 (5+1)/2 = 第 3 個。
  4. 所以，中位數是 5。
• 範例二 (偶數筆數)： 數據為 3, 7, 1, 9, 5, 2。
  1. 排序後：1, 2, 3, 5, 7, 9。
  2. 數據筆數為 6 (偶數)。
  3. 中間位置是第 6/2 = 第 3 個，以及第 (6/2)+1 = 第 4 個。
  4. 中間兩個數字是 3 和 5。
  5. 所以，中位數是 (3 + 5) / 2 = 4。

Median 與 Mean (平均數) 的區別

談到 Median，就不能不提 Mean（平均數）。這兩者雖然都用於描述數據的集中趨勢，但它們的計算方式和特性可是截然不同的。理解它們的差異，能幫助你更精準地選擇使用哪一種工具來分析數據。

項目	Median (中位數)	Mean (平均數)
定義	排序後數據中的中間值。	所有數據的總和除以數據的總筆數。
計算方式	排序後，取中間值 (奇數筆數) 或中間兩值的平均 (偶數筆數)。
對極端值的敏感度	低，穩健性高。	高，容易受極端值影響。
適用時機	數據分布不對稱、有極端值時；描述薪資、房價等。	數據分布對稱、無極端值時；較常出現在學術研究。

我的看法是， 在實際生活應用中，尤其是在財經、社會學領域，數據經常出現偏斜（skewed data），也就是一頭比較長，有幾個非常大或非常小的數值。這時候，平均數很可能會被這些極端值「騙到」，無法真實反映大多數人的情況。例如，一個公司的員工平均薪資可能很高，但實際上可能只有少數高階主管拿高薪，大部分員工的薪資其實遠低於平均。這種情況下，中位數就能更真實地呈現「一般」員工的薪資水平。所以，別再只看平均數了，中位數往往藏著更重要的訊息！

Median 的實際應用場景

Median 的應用可說是無所不在，尤其是在我們生活中與「數字」息息相關的各種情境。瞭解這些應用，能讓你更有感地體會它的重要性。

房地產市場

這是 Median 最常見的應用之一。當新聞報導說「某地區房屋中位價」是多少時，它指的就是該地區所有成交房屋價格排序後，位於中間的那個價格。為什麼不用平均價？因為房地產市場常常會有超級豪宅拉高平均價，但中位價更能反映一般購屋者能負擔的價格區間。

薪資與收入分析

就像剛剛提到的，薪資分布通常是右偏的（少數人賺很多，多數人賺相對少）。因此，報導一個國家的「國民所得中位數」或是「企業員工薪資中位數」，比平均數更能準確地反映一般民眾或員工的實際收入狀況。

醫療與健康

在醫學研究中，比如分析病患的恢復時間、藥物療效的反應時間等，也常使用中位數。這能幫助研究者了解，大多數病患的恢復時間大概需要多久，而不被少數恢復極快或極慢的病患影響判斷。

網路流量與使用者行為

網站分析師可能會關心「使用者平均停留時間」，但有時候，網站的流量可能會有幾個「超級用戶」待了非常久，拉高了平均值。這時，「使用者停留時間的中位數」就能更真實地反映大部分使用者在網站上停留的大致時間。

學術研究與統計

在各種學術研究中，無論是社會學、心理學、經濟學，甚至科學實驗，當數據分布不確定或有潛在的離群值時，研究者都會優先考慮使用中位數來描述數據的中心趨勢。

為什麼 Median 有時比 Mean 更好？

我個人認為，Median 之所以在某些情況下「更勝一籌」，關鍵在於它的「穩健性」（Robustness）。平均數對數據中的異常值（Outliers）非常敏感，一個極端的值就能讓平均數產生巨大的變化，從而誤導我們對數據的判斷。而中位數就不一樣了，它只關心排序後的位置，對極端值「免疫」。

想像一下，你正在觀察一群學生的考試分數。如果大部分學生的分數都在 70-90 分之間，但有一個學生考了 0 分（可能是沒來考試），這會把平均分數拉低很多。但如果大多數學生考 70-90 分，有一個學生考了 100 分（學霸），這會把平均分數拉高。在這種情況下，如果我們要描述「一般」學生的表現，中位數會是一個更可靠的指標，它能不受那 0 分或 100 分的影響，依然穩穩地停留在 70-90 的範圍內。

因此，當你面對數據，尤其是你不太確定數據分布情況，或者知道數據中可能存在一些「與眾不同」的值時，不妨優先考慮計算和使用中位數。

進階應用：Median 在不同分佈中的表現

雖然我們已經強調了 Median 的穩健性，但它在不同數據分佈下的表現，還是有些微妙之處，值得我們深入探討。

對稱分佈 (Symmetric Distribution)

當數據呈現完美的對稱分佈時，例如常態分佈（Normal Distribution，也就是鐘形曲線），你會發現，Mean、Median 和 Mode（眾數，出現次數最多的數值）會非常接近，甚至重疊。在這種理想情況下，Mean 和 Median 的指示意義非常相似。

右偏分佈 (Right-Skewed Distribution)

這是我們經常遇到的情況，就像前面提到的薪資或房價。數據的尾巴往右邊拉長，意味著有少數極高的數值。在這種分佈下，Mean 會被右邊的極端值拉高，所以 Mean > Median。

舉個例子：{1, 2, 3, 4, 100}。

• Median = 3
• Mean = (1+2+3+4+100)/5 = 110/5 = 22。

顯然，22 這個平均值被 100 這個極端值嚴重影響，遠高於大部分的數據點。

左偏分佈 (Left-Skewed Distribution)

反之，數據的尾巴往左邊拉長，意味著有少數極低的數值。在這種分佈下，Mean 會被左邊的極端值拉低，所以 Mean < Median。

舉個例子：{1, 96, 97, 98, 99}。

• Median = 97
• Mean = (1+97+98+99+99)/5 = 494/5 = 98.8。

這裡，1 這個極端值將平均值拉高了，但中位數 97 仍然是中間的代表。如果我們把 1 改成 0，Mean 就會更低。這個例子似乎有點反直覺，但關鍵在於，左偏分佈是「尾巴」在左邊。我們可以看一個更典型的例子：{0, 10, 20, 30, 40, 50}。

• Median = (20+30)/2 = 25
• Mean = (0+10+20+30+40+50)/6 = 150/6 = 25。

這個例子是左右對稱的。讓我們再看一個左偏的例子，例如考試分數，一個班級大多數人都考得不錯，但有少數人考得很差，例如：{20, 70, 80, 85, 90, 95}。

• Median = (80+85)/2 = 82.5
• Mean = (20+70+80+85+90+95)/6 = 440/6 ≈ 73.33。

這裡，20 這個極端值把平均值拉低了，所以 Mean < Median。

總結來說： 觀察 Mean 和 Median 的相對位置，我們可以初步判斷數據的分佈情況。這對於理解數據的「真相」非常有用。

常見相關問題與專業詳細解答

在使用 Median 的過程中，大家可能會遇到一些疑問。以下我將針對這些常見問題，提供更深入的解答。

Q1：為什麼有些統計報告只提供中位數，而不提供平均數？

這個問題其實與我前面提到的「穩健性」和「數據分布」息息相關。在許多實際應用領域，數據本身就帶有偏斜的特性。例如，財富分配、房價、個人收入、犯罪率（雖然不太會用平均犯罪率，但如果分析單一類型的犯罪發生次數，也可能偏斜）等等，這些數據通常會有極端值，將平均數大幅度拉高或拉低。

報告者選擇只提供中位數，是為了避免平均數所帶來的誤導。他們希望傳達的是「典型」或「中間」情況，而不是被少數極端值所扭曲的數字。例如，當你看到某個城市的「家庭收入中位數」是 80 萬元，這比看到「家庭收入平均數」是 120 萬元，更能讓你對一般家庭的經濟狀況有個譜。因為那 120 萬的平均數，可能包含了少數超級富豪的巨額收入，而真正大多數家庭的收入，可能就落在 80 萬元左右。

此外，有時候報告者可能沒有足夠的時間或資源去進行詳細的數據分布分析，提供中位數是最保險、最能概括大眾情況的選擇。

Q2：Median 和 Mode 差在哪裡？什麼時候該用 Mode？

Mode（眾數）是指在一組數據中，出現次數最多的那個數值。例如，在一組顏色數據 {紅, 藍, 紅, 綠, 紅, 藍} 中，眾數就是「紅」。

Median (中位數) 是排序後位於中間的數值。

Mode 的主要優勢在於，它可以適用於分類數據（Categorical Data），例如顏色、品牌、喜好等，這些數據無法排序，也就無法計算中位數或平均數。例如，在調查大家最喜歡的冰淇淋口味時，眾數就能告訴你哪個口味最受歡迎。

然而，Mode 的缺點也很明顯：

• 可能不存在： 如果數據中每個數值都只出現一次，就沒有眾數。
• 可能有多個： 如果有兩個或兩個以上的數值出現次數相同且最多，那麼這組數據就有兩個或多個眾數（稱為雙峰或多峰分佈），這可能不利於單一代表的理解。
• 對極端值不敏感，但對數據變化也不敏感： 它可以識別最常見的值，但對數據的整體趨勢，特別是數值數據的「量」的變化，就不如 Median 或 Mean 那麼敏感。

所以，什麼時候該用 Mode？

• 當你處理的是類別型數據（如：最喜歡的電影類型、最常使用的App、交通工具等）。
• 當你只想知道哪個類別最常見，而不需要考慮數值的大小時。
• 在某些特定情況下，當你希望找到一個「最典型」或「最普遍」的值，即使它不是中間值。

但在處理數值型數據（Numerical Data）時，如果數據分布對稱且無明顯極端值，Mean 會是很好的選擇。若數據有偏斜或極端值，Median 則會是更穩健的指標。Mode 則更多是用來補充說明「最頻繁出現」的情況。

Q3：在台灣，Median 的用法和國外有什麼不同嗎？

基本上，Median 的數學定義和計算方式是全球通用的，所以「Median 甚麼意思」這個概念，在台灣和國外是完全一樣的。台灣的統計學術界和實際應用，也遵循相同的標準。

不同之處可能在於「大家習慣關注的數據類型」以及「報告的呈現方式」。

例如：

• 薪資方面： 台灣的薪資統計，確實越來越常看到「薪資中位數」的報告，這也是為了更真實地反映受薪階級的收入狀況。過去可能大家比較習慣聽「平均月薪」，但中位數的出現，讓一般民眾更能感同身受。
• 房價方面： 報導房地產市場時，「房價中位數」在台灣也非常普遍，它反映了大多數人在特定區域購買或出租房屋的「一般」價位。
• 教育與學習： 在學校教育中，學生考試成績的「中位數」也是一個常見的參考指標，用來評估班級或年級的整體表現。

整體來說，台灣在數據報告和分析上，也越來越重視使用中位數來提供更貼近實際情況的資訊。尤其在媒體報導或政府統計數據中，Median 的出現頻率和重要性 are steadily increasing，這也反映了大家對數據解讀更趨於理性與全面。

Q4：Median 的計算會不會很耗費資源？

這個問題，從早期到現在，答案是截然不同的。

在過去，當計算能力有限，數據量也相對較小時，對大量數據進行排序並找出中位數，確實會需要一些時間和資源。特別是對於非常龐大的數據集，排序本身就是一個計算密集型的操作。

然而，在現今這個大數據時代，這個問題基本上已經不是問題了！

我們現在擁有強大的電腦硬體、高效的演算法，以及專門處理大數據的軟體和平台（例如 Python 的 NumPy、Pandas 函式庫，R 語言，SQL 資料庫等）。這些工具都內建了非常優化過的排序和中位數計算功能。

例如，使用 Python 的 Pandas 函式庫，你只需要一行程式碼：

df['column_name'].median()

這個函式能夠快速地為你計算出欄位中的中位數，即使數據集有數百萬甚至數十億筆資料，處理時間也通常在幾秒到幾分鐘之內就能完成。

因此，從實務操作的角度來看，計算 Median 的資源消耗，對於現代的計算環境而言，是相當低的，幾乎可以忽略不計。它的價值和所提供的洞察，遠遠超過了計算本身所需的資源。

希望透過這些詳細的問答，能讓大家對 Median 的理解更加透徹，並且在未來的數據分析中，能夠更靈活地運用這個強大的統計工具！