别只会算算术平均！用TRIMMEAN剪去数据毛边算更准的集中趋势

当前常用的算术平均易受极端值（数据“毛边”）干扰，对集中趋势的代表性偏差较大，此时可使用trimmean（剪边均值函数）替代：先按预设对称比例（多为5%-20%）同时剔除最大、最小两端占比相同的偏畸/异常样本，再对剩余中间数据做算术平均，该函数兼顾了中位数的抗极端性与算术平均的直观性、信息利用率，在学生竞赛分、电商评分等领域实用价值高。

你有没有遇到过这种数据场景？做奶茶店月度销量统计时，国庆7天卖爆了3000杯，平时淡季只有200杯，算出来的算术平均销量虚高得离谱，完全没办法参考日常备货；或者统计班级期末平均分，有2个学生缺考交了白卷（算0分），平均分直接掉了5分，不能真实反映全班大部分人的水平？

这时候,一个专门“剔除极端干扰”的统计工具就派上用场了——它就是 trimmean（修剪均值）。

什么是trimmean？先搞懂它的“修剪逻辑”

trimmean是英文“trimmed mean”的缩写，核心是“先剪毛、再剪果”——不对，更准确的是先按顺序排列数据，剪掉两端固定比例（或数量）的极端值，再对剩下的中间数据求算术平均。

举个小例子,你就能秒懂：假设有一组奶茶日销量数据：180、210、230、240、250、260、270、3000（国庆单日），按从小到大排好。如果设定修剪比例为10%：

数据总数是8,8×10%×2=1.6，因为只能剪整数个数据（总不能剪0.6杯奶茶吧？），大多数工具会向下取整剪掉1个最低、1个最高。
剩下的中间数据是：210、230、240、250、260、270。
最后算中间的平均：(210+230+240+250+260+270)÷6=243.33杯——这才是接近日常的备货参考值，比原来的算术平均（(180+…+3000)÷8=517.5杯）靠谱太多了！

trimmean vs 普通算术平均 vs 中位数：什么时候用谁？

很多人可能会说：“那直接用中位数（中间那个数）不行吗？”当然可以，但三者的适用场景不一样，我们要按需选择：

指标类型	核心逻辑	优点	缺点	适用场景
普通算术平均	所有数据的权重完全相等	计算最直观；数学性质最好	对极端值超级敏感（哪怕一个数据错到离谱，结果都会跑偏）	数据分布非常均匀，没有明显极端值（比如全班学生都认真考试，分数集中在70-95分之间）
中位数	取中间位置的那个/两个数据的平均	完全不受极端值影响	浪费了大部分中间数据的信息；数学性质较差（比如不能直接加减中位数）	数据分布严重偏态，且极端值的信息完全没用（比如统计全国/全省居民的“真实收入中位数”，避免被头部富豪拉上天花板）
trimmean	剪掉少量极端值后再平均	兼顾了“抗干扰”和“信息利用率”——既不像算术平均那么脆弱，又比中位数保留了更多数据趋势	需要合理设定修剪比例（剪太多/太少都会有问题）	大多数有“小范围极端干扰”的日常数据场景（比如刚才的奶茶销量、除了个别白卷的班级成绩、运动员打分去掉最高分最低分的逻辑本质上就是trimmean！）

怎么用Excel/Python/计算器算trimmean？（附实操小例子）

Excel/WPS：最常用的工具，一个函数搞定

Excel里有现成的 TRIMMEAN 函数，语法是：

TRIMMEAN(数据区域, 修剪总比例)

注意！修剪总比例是两端加起来的哦！ 比如想剪两端各10%，总比例就填0.2；剪两端各2个，总比例可以反推：4÷数据总数N（前提是N要够大，4能被N整除或你接受向下取整）。

还是刚才的奶茶销量例子,用Excel算的话：

数据放在A1:A8
公式写：=TRIMMEAN(A1:A8, 0.2)
结果就是243.33，和我们手动算的一样！

Python：数据分析师必备，scipy库帮忙

如果数据量很大,或者需要自动化处理，Python的scipy.stats库有 trim_mean 函数（注意下划线哦！），语法也很简单：

import numpy as np
from scipy.stats import trim_mean
# 刚才的奶茶销量数据
sales = np.array([180, 210, 230, 240, 250, 260, 270, 3000])
# 剪两端各10%，比例填0.1（这里要注意！和Excel反过来！scipy是填一端的比例！）
trimmed_avg = trim_mean(sales, 0.1)
print(trimmed_avg)  # 输出243.33333333333334