等距数据和等比数据有什么区别

① 根据数据反映的测量水平，可把数据区分为哪四种类型这四种类型数据有什么分别

根据数据反映的测量水平,可把数据区分为称名数据、顺序数据、等距数据和比率数据四种类型。
1.称名变量。称名变量只说明某一事物与其他事物在名称、类别或属性上的不同并不说明事物与事物之间差异的大小、顺序的先后。这些数据仅是类别符号而已,没有在量方面的实质性意义,一般不能对这类数据进行加、减、乘、除运算但通常可对每一类别计算次数或个数等。
2.顺序变量。顺序变量是指可以就事物的某一属性的多少或大小按次序将各事物加以排列的变量具有等级性和次序性的特点。顺序变量的观测结果有些是直接用序数等级来表示事物属性的多少与大小另外有些观测结果则是用有序的类别来区分事物属性的差异。在实际应用和研究中常用有序的整数或自然数来表示顺序变量的各种观测结果从而得到顺序变量数据。顺序变量数据之间虽有次序与等级关系但这种数据之间不具有相等的单位也不具有绝对的数量大小和零点。因此只能进行顺序递推运算。
3.等距变量。等距变量除能表明量的相对大小外,还具有相等的单位。等距变量观测数据的单位是相等的但零点却是相对的。对这类数据一般不能用乘、除法运算来反映两个数据。
4.比率变量。比率变量除了具有量的大小、相等单位外,还有绝对零点。比率变量数据可以进行加、减、乘、除运算,允许人们用乘、除法处理数据,以便对不同个体的测量结果进行比较并作比率性即倍比关系描述。
区别称名变量不说明事物与事物之间的差异的大小顺序先后顺序变量可以就事物的大小多少按照次序进行对事物排列等距变量具有相等的单位能表明量的相对大小它观测数据的单位是相等的但是零点是相对的。比率变量除了具有量的大小、相等单位还有绝对零点对它的数据可以进行加减乘除的运算。

② 统计学中的分类方法

介绍
理解不同的数据类型，是探索性数据分析（Exploratory Data Analysis，EDA）所需的关键预备知识，同时也有助于你选择正确的可视化方法。你可以将数据类型看成归类不同类型变量的方式。我们将讨论主要的变量类型，以及相应的示例。有时我们会称其为测量尺度（measurement scale）。

类别数据

类别数据（categrorical data）表示特性，例如一个人的性别，所说的语言，等等。类别数据同样可以使用数值（例如：1表示雌性，0表示雄性）。

名目数据

名目值（nominal value）指用于标记变量的定性离散单元。你可以直接把它们想象成“标签”。注意名目数据是无序的。因此，如果你改变名目值的顺序，其语义并不会改变。下面是一些名目特征的例子：

性别：雌性、雄性。
语言：英语、法语、德语、西班牙语。
上面的性别特征也被称为“二分（dichotomous）”值，因为它只包含两个类别。

次序数据

次序值（ordinal value）指离散、有序的定性单元。除了有序之外，它几乎和名目数据一样。例如，教育背景可以用次序值来表示：

初中
高中
大学
研究生
注意，其实初中、高中之间的差别，和高中、大学之间的差别，是不一样的。这是次序数据的主要限制，次序值之间的差别是未知的。因此，次序值通常用于衡量非数值特征，例如愉悦程度、客户满意度。

数值数据
离散数据

离散数据（discrete data）的值是不同而分散的，换句话说，只能接受一些特定值。这类数据无法测量但可以计数。它基本上用来表示可以分类的信息。例如，抛100次硬币正面向上的次数。

你可以通过以下两个问题检查你处理的是否是离散数据：你可以对其计数吗？它可以被切分成越来越小的部分吗？

相反，如果数据可以测量但无法计数，那就是连续数据。

连续数据

连续数据（continuous data）表示测量。例如身高。

连续数据可以分为等距数据（interval data）和等比数据（ratio data）。

等距值指间隔相等的有序单元，也就是说，等距变量包含有序数值，并且我们知道这些数值之间的间隔。例如，用等距数据表示温度：

-10
-5
0
+5
+10
+15
等距值的问题在于，它们没有“真正的零”。拿上面的例子来说，0度不是绝对零度。另外，我们可以加减等距值，而不能乘除等距值或计算比率。由于没有“真正的零”，无法应用许多描述统计学或推论统计学的方法。

等比值具有等距值的所有特性，同时也有绝对的零。因此，不仅可以加减，还可以乘除。高度、重量、长度、绝对温度等都属于等比值。

数据类型为什么重要？
数据类型是一个非常重要的概念，因为统计学方法只能应用于特定的数据类型。你需要使用不同的方式分析连续数据和类别数据。因此，理解你处理的数据的类型，让你能够选择正确的分析方法。

下面我们将重新查看上面提到的每种数据类型，了解它们可以应用什么样的统计学方法。为了理解我们将讨论的一些性质，你需要对描述性统计学有所了解。如果你对此不熟悉，可以先看下我写的描述性统计学介绍。

统计学方法
名目数据

处理名目数据时，你通过下述方式收集信息：

频数 在一段时间内或整个数据集中出现的次数。
比例 频数除以所有事件的频数之和，即可得到比例。
百分比 我想这无需解释了吧。
众数 出现次数最多，也就是频数最高的数据。
可视化方法 你可以使用饼图或直方图可视化名目数据。
统计学常用数据类型
左：饼图；右：直方图

次序数据

当你处理次序数据时，你可以使用以上用于名目数据的方法，不过，除此之外，你还可以使用一些额外的工具。也就是说，你可以使用频数、比例、百分比、众数概括次序数据，也可以使用饼图、直方图可视化次序数据。除此之外，你还可以使用：

百分位数 计算由小到大排列的次序数据的累计百分位，某一百分位对应的数据值就称为这一百分位的百分位数。百分位数可以用来描述数据的离散趋势。
中位数 即第50百分位数，它将数据分为相等的上下两部分。中位数可以用来描述数据的中间趋势。例如，如果我们用次序数据表示星巴克咖啡的容量：中杯、大杯、特大杯。那么，其中位数为大杯（也就是说，真正的中杯是大杯）。
四分位距 第75百分位数与第25百分位数之差即为四分位距。四分位距可以简要概述数据的离散趋势。
连续数据

大多数统计学方法都可以用于连续数据。你可以使用百分位数、中位数、四分位距、均值、众数、标准差、区间。

你可以使用矩形图或箱形图可视化连续数据。从矩形图上可以看到分布的中间趋势、离散程度、形态和峰态。注意，矩形图不体现离散值，因此我们有时使用箱形图。

③ 关于统计的问题 顺序数据是既无相等单位也无绝对零的数据.相等单位是什么含义

顺序数据的数值只代表排序，不代表具体的分数差异，因此不可加减，而等距数据可以加减。有相对零点的等距数据，可不就是等比数据么，等比数据就是比率数据的意思，只不过换了个翻译方法。

先看看顺序数据的特点，再对照中数的特点。顺序数据：无相等单z位无绝对零点，只表示大小等级程度，只能派出一个顺序，不表示等距数量，也不表示绝对数值，不能进行加减乘除。

等比数据首先是单位等距离的，它就是比等距数据多一个绝对零点，二者实际上算是一个大概念和小概念的差别，等比数据可以理解为一种特殊的等距数据。只不过一般为了强调概念之间的差别，认为等距数据是无绝对零点的。

(3)等距数据和等比数据有什么区别扩展阅读：

顺序结构插入的思路为：如果插入位置不合理，抛出异常；如果线性表长度大于等于数组长度，抛出异常或者动态增加容量；从最后一个元素开始向前遍历到第i个位置，分别将他们都向后移动一个位置；将要插入元素填入位置i处；表长加1。这里我们实现ListInsert(*L,i,e)。

中数：按顺序排列在一起的一组数据中居于中间位置的数。中数需要排序、不能进一步做代数运算，适用于顺序量表。插值法是求中数的方法，而不是说对中数进行进一步的代数运算。