TapCub 正式上线:统计、分析、客服一个平台免费用
术语表

什么是数据聚合?函数、算例与粒度选择

数据聚合把大量原始记录变成汇总数字。八个函数对照、可复算的订单算例(均值 115.5 对中位数 29)、粒度判断规则、辛普森悖论,以及汇总数据为什么不等于匿名。

苏禾 审核人 林舟 又称 数据聚合 最后更新 2026 年 11 月 16 日 术语表

一句话回答

数据聚合是把大量原始记录按时间或渠道、设备等维度分组,合并成总数、求和、平均、中位数、百分位数等汇总值的过程。

公式: 均值 = 总和 ÷ 非 NULL 值个数;中位数 = 排序后居中的值(percentile_cont(0.5));P90 = 90% 的行低于的值(percentile_cont 插值,percentile_disc 取整秩)。

什么是数据聚合?

数据聚合是把大量原始记录按时间或渠道、设备等维度分组,合并成总数、求和、平均、中位数、百分位数等汇总值的过程。得到的结果叫汇总数据(也叫上卷):不再是一行一个事件,而是一行一个分组。

每一次聚合都在做两个选择:

  1. 怎么分组——哪些记录算一组。SQL 里就是 GROUP BY:同一天的所有订单、同一渠道的所有会话、同一个用户的所有事件。
  2. 用什么聚合函数——每组怎么压成一个数字:数行数、把金额加起来、取中间那个值。
SELECT channel, COUNT(*) AS orders, SUM(amount) AS revenue
FROM orders
GROUP BY channel;

汇总到多粗,由两条轴决定:时间(小时 → 天 → 周 → 月)和维度(设备 → 渠道 → 总计;或者城市 → 国家,也就是空间聚合)。运行方式可以是批处理(每晚跑一次),也可以是实时(事件一到就更新);但比分批还是实时更重要的,是分组的选择。

聚合让数据变得可读:没人能逐条看完一百万行事件。但每一份汇总同时也在删掉细节——下面算例里那笔 $900 的订单,进了日均值就看不见了。所以这篇文章的判断规则是:先想清楚谁要回答什么问题,再决定汇总到多粗,同时留好能下钻的原始数据。

常见聚合函数

选哪个函数,决定这份汇总回答什么问题,也决定它会藏住什么错误。下表「注意」一列的数字全部来自下一节的订单算例(示例数据),每一条都可以自己复算。函数语义以 PostgreSQL 聚合函数文档和 SQLite 内置聚合函数文档为准。

函数公式 / 定义回答什么问题注意什么
count(计数)行数;count(*) 数所有行,count(x) 跳过 NULL发生了多少次事件?NULL 会悄悄让 count(x) 变小:下面例子里 10 对 8
count distinct(去重计数)不同取值(用户、订单)的个数是多少人,而不是多少次?重复事件会抬高普通计数:10 笔订单 ≠ 7 个买家
sum(求和)x₁ + x₂ + … + xₙ总量或总收入是多少?一行离群值就能主导:$1,155 里 $900 来自一笔
avg / mean(平均)总和 ÷ 非 NULL 值的个数数据对称时,典型值是多少?被离群值拉偏:115.5 对中位数 29
median(中位数)排序后居中的值;percentile_cont(0.5)有离群值时,典型值是多少?完全看不到尾部
percentile(百分位数,P90)90% 的行都低于的那个值尾部有多差?口径不同答案不同:126(插值)对 40(取整秩)
min / max(最小 / 最大)最小值 / 最大值范围和极端情况是什么?最大值只是一行,不是趋势
mode(众数)出现次数最多的值(PostgreSQL mode())最常见的类别是什么?小样本下不稳定

两个值得记准的官方定义:PostgreSQL 的 percentile_cont(fraction) 在排序后相邻两个值之间插值,而 percentile_disc 取排序中位置达到指定分数的输入值,不插值。SQLite 的 avg(X) 除以的是非 NULL 输入的个数,不是行数。这两处差别都会改变发布出去的数字,后面两节会算给你看。什么时候该用中间值而不是平均值,见均值与中位数;怎么读尾部,见百分位数。

算例:一天的订单,五种答案

示例数据:一家虚构商店 2026-11-10 的十笔订单(美元):18、22、25、25、28、30、32、35、40、900。去重后 7 个买家:1 人下了 3 单、1 人下了 2 单、5 人各下 1 单(3+2+5=10)。$900 那笔是 14:00 的一次批量采购。

同样十行数据,换不同的聚合方式:

问题聚合方式计算过程答案
收入多少?sum18+22+25+25+28+30+32+35+40+900$1,155
多少笔订单?count10 行10
典型单笔金额(均值)?avg1,155 ÷ 10$115.50
典型单笔金额(中位数)?median排序后第 5、6 位:(28+30) ÷ 2$29
尾部有多差?P90cont:秩 0.9 × (10−1) = 8.1 → 40 + 0.1 × (900−40);disc:ceil(0.9 × 10) = 第 9 位$126 对 $40
每个买家贡献多少?sum ÷ count distinct1,155 ÷ 7$165

三件事值得注意。

均值说错了「典型」。 均值 115.5 的背后,十笔里有九笔不超过 $40;中位数 29 才更接近多数订单的样子。均值的工作是总和 ÷ 个数,不是「多数顾客的真实体验」。

P90 取决于口径。 同一份数据,插值法算出 126,取整秩法算出 40,差了三倍。发布百分位数时一定写清口径,否则两个团队的 P90 永远对不上。

每单 ≠ 每人。 115.5 对 165:回头客把人均数字抬高了。「平均订单金额」和「人均消费」回答的是两个问题,报表标题要写清是哪一个。

离群值检验:去掉 $900 那行。总和变成 255,均值 255 ÷ 9 = 28.33;剩下九行的中位数是 28。把那笔批量订单加回来,均值从 28.33 跳到 115.5(×4.1),中位数只从 28 动到 29。如果看板只放均值,一笔批发订单就能改写你的「典型顾客」故事,中位数却几乎不动。两个数字都没有错——它们回答的是不同的问题,而那行原始数据,正是你能把这个差距解释清楚的原因。

该汇总到多粗?

粒度就是每个分组的大小,还是那两条轴:时间(小时 / 天 / 周)和维度(设备 → 渠道 → 总计)。每往上合并一层,就删掉一层区别。上面的例子里,日均值把 14:00 的批量订单藏进九笔小单里;按小时看,就是一个正常的上午加一个异常的下午时段。同一份数据,可见度完全不同。完整展开见数据粒度。

判断规则——从问题出发,不是从图表出发:

  • 如果问题是「尾部有没有变差」(结账变慢、大额订单变多),按天汇总但用 P90,不用均值;周均值恰好会抹平你要找的那些尖峰。
  • 如果问题是「预算给哪个渠道」,就在设备内部比较,或者设备层和合计层两个数都报。把混合比例不同的分组合到一起,排名可能反转——见下一节。
  • 如果问题是「什么时候发生的」,至少在故障窗口保留小时粒度;天粒度回答不了这个问题。
  • 如果一份汇总引出「为什么」,你需要它背后的原始行。只要还可能要解释某个数字,就让原始数据保持可导出——明细删掉之后,再怎么重新聚合也找不回来。

一句话规则:问题允许多粗就汇总到多粗,别再粗了;存储比报表细一层,下钻才有余地。

聚合会藏住什么

辛普森悖论:合计排名反转

示例数据:两个渠道的会话与转化,按设备拆开。

渠道桌面端移动端合计
A18/20 = 90%60/100 = 60%78/120 = 65%
B80/100 = 80%10/20 = 50%90/120 = 75%

渠道 A 在桌面端转化更高(90% > 80%),在移动端也更高(60% > 50%),合计却输了(65% < 75%)。没有算错任何一个数:A 的流量集中在更难转化的移动端,合计转化率被拉向移动端较低的基准。这种反转就是辛普森悖论,斯坦福哲学百科的条目记录了它的结构和真实案例。实用规则:在混合比例可比的粒度里比较,或者两个层级都报。另见辛普森悖论。

NULL 改变分母

假设十笔订单里有两笔没记金额(NULL)。按 SQLite 的语义:count(*) = 10,count(amount) = 8,avg(amount) 用八笔已知金额的总和除以 8,不是除以 10。一份写着「10 笔订单,均值 $X」的报表,可能悄悄只平均了 8 笔。两个看板的笔数和均值对不上时,先查 NULL 的处理方式,再怀疑采集管道。

离群值主导均值

上面已经看到了:一行 $900 把均值从 28.33 拉到 115.5。求和与均值被离群值主导;中位数抗离群值,却看不见尾部。只要两者可能分叉,就把均值和中位数一起报;尾部本身是问题时再加 P90。两者差距突然拉大,是下钻原始行的信号——不是挑一个好看的数字。

汇总之后数据就匿名了吗?

不是——单靠汇总做不到。聚合去掉了行级细节,通常能降低再识别风险,这也是统计机构发布表格而不是原始记录的原因。但 NIST SP 800-188(《政府数据集去标识化》,2023 年)在 §4.3.8 明确指出:聚合本身不构成正式的隐私保证。

报告里的例子:某学校发布按年级汇总的阅读成绩表;一名学生转学进来;学校再次发布这张表。把前后两次发布相减,就能推断出这名转学生的阅读水平——一个只有一个人的分组,从两份「匿名」汇总里被还原出来。由此有两类结构性风险:

  • 小格子。 只统计到 1–2 个人的格子,实际上就是关于这几个人的记录。统计机构会应用阈值规则(低于最小人数的格子做抑制),再配合集中度规则和模糊性规则,处理数值集中在少数受访者身上的情况。
  • 多次发布的差分。 不同时间、不同粒度发布的内容有重叠的表格,可以相减还原出小群体——哪怕每一张表单独看都安全。

对外分享汇总前的实用规则:检查有没有小格子,检查接收方手里有哪些早期发布可以拿来做差分;把「已经汇总过了」当作风险的降低,而不是匿名化的保证。

在 TapCub 里怎么用汇总

把上面的算例放进 TapCub:还是那笔 $900 的批量订单,问题是「今天怎么报数才不会误导人,明细被删以后又怎么办?」

  1. 按问题选聚合方式。 在 全端分析 › 行为分析 › 自定义指标与 SQL,一条保存的指标是「事件 + 算法」或一个公式。对 purchase 事件,触发次数得 10,去重人数得 7,人均次数得 10 ÷ 7 ≈ 1.43 笔;对金额属性做聚合,求和 1,155、均值 115.5、中位数 29,另有高分位(P90)。每个买家的收入是公式 PROPSUM ÷ UNIQUES = 1,155 ÷ 7 = 165。同一个事件能生成好几个指标:放进看板之前,给每个指标起一个说明它回答什么问题的名字。
  2. 查数字背后的原始行。 报表里都是汇总。要找 14:00 那笔 $900 订单,在 全端分析 › 行为分析 › 行为分析 打开「SQL」页签,对 v_events 视图写一条 SELECT 查那一天;结果最多返回 50,000 行。
  3. 挪预算之前先拆开合计。 在同一个分析器里,把转化指标先按渠道、再按设备拆分(最多三层),时间粒度选小时或天。这样就能重建上面的辛普森小表(A 合计 65% 对 B 75%,但每个设备内 A 都更高),也能看出 14:00 那一小时是不是异常。TapCub 不做 A/B 测试;这里的比较只是衡量,不做分流。
  4. 留住以后可能要解释的明细。 超过保留期的明细行会被删除。按天的汇总不含个人数据,不按这个期限删除,所以日粒度的趋势还在,背后的原始行却没了。以后可能需要原始行的话,在保留期结束前到 全端分析 › 数据管理 › 数据导出 建一个异步导出任务。TapCub 不是数据仓库,要把明细放进你自己的仓库,靠的就是导出。

这就是本文的判断规则落在产品里的样子:按要回答的问题汇总,同时留一条回到原始行的路。

另见:聚合的定义:聚合是什么,又怎样误导你。

资料来源

这个解释清楚吗?

我们会根据反馈修改和补充这篇内容。

苏禾

数据分析师

围绕流量来源、转化漏斗与用户留存写作,重视指标口径和分析过程,用具体示例解释数字背后的问题。

常见问题

常见追问

大家看完定义后最常问的几个问题。

还有其他问题?

直接和 TapCub 团队聊聊——工作日通常几小时内回复。

用大白话说,数据聚合是什么意思?

把一条条原始记录变成几个汇总数字:不逐笔列订单,而是报出订单数、总金额和典型单均金额。按天、渠道还是设备分组,决定了这份汇总描述的是什么。

数据聚合主要有哪些类型?

按分组对象分:时间(小时/天/月)、空间或类别(地区/渠道/设备)、层级上卷(城市→国家)。按汇总方式分:计数、求和、平均、中位数、百分位数。按运行方式分:批处理和实时。

能举一个数据聚合的例子吗?

一天 10 笔订单共 $1,155:笔数 10、均值 $115.50、中位数 $29、去重买家 7 人。每个数字都是同一份原始数据的不同聚合,各自回答不同的问题。

汇总后的数据就是匿名的吗?

不一定。汇总去掉了行级细节,但小群体和前后两次发布的差分仍可能暴露个人;NIST SP 800-188 提醒聚合本身不构成正式的隐私保证。对外分享前要抑制小格子并评估再识别风险。

在你自己的网站上看这个数字

加一行脚本就能开始,网站和 App 都能接,几分钟内就能看到第一批报表。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie