虚构示例：60秒或40秒
同一范围内，100位活跃用户、150次会话共记录6000秒。每位活跃用户平均60秒，每次会话平均40秒。名称和分母应与数值一起呈现。
| 虚构指标 | 数值 | 分母或单位 |
|---|---|---|
| 总记录时长 | 6000 | 秒。 |
| 活跃用户 | 100 | 整个期间。 |
| 会话 | 150 | 相同测量范围。 |
| 每位活跃用户均值 | 60 | 6000 / 100，单位为秒。 |
| 每次会话均值 | 40 | 6000 / 150，单位为秒。 |
避免误导比较
- 区分互动时长、经过时间和会话数。标签页有焦点不证明用户正在阅读或理解。
- 不要简单平均每日均值；同一个人可能多日返回。应使用整个期间的总量和正确分母重新计算。
- 记录采集、过滤器、设备和任务。解释零值或短时长之前先检查缺失数据。
改善任务，而非延长等待
更快找到实用信息可能代表更好的答案；办事更久可能意味着困难。结合时长、完成、错误和用户研究。不要添加人为步骤来提高均值。
一手资料
缺失值、零与估算
缺少观测并不等于测量得到的零。
- 区分未收到字段、不适用的观察和采集失败。真实测得的零应保留；把所有缺失替换为零会混淆不同状态。
- 虚构示例[10、缺失、0]中，两项观察的平均值为5。先把缺失变为零再除以三，回答的是另一个问题；应展示两个计数。
- 估计某值时保留填补标记及规则。比较包含与不含估计的结果；没有有效观察时显示无结果，而非平均值零。
可复现的验收案例
虚构示例：数据不代表客户或实际观察结果。
查看案例输入
{
"values": [
10,
null,
0
],
"observed_count": 2,
"mean_observed": 5,
"mean_if_missing_replaced_with_zero": 3.3333333333,
"extended_sample": {
"values": [
10,
null,
0,
20,
null,
30
],
"known_count": 4,
"expected_count": 6,
"known_sum": 60,
"mean_observed": 15,
"mean_after_zero_fill": 10
},
"missing_only_sample": {
"values": [
null,
null
],
"known_count": 0,
"mean_observed": null
}
}预期判断
已观察值的均值为5。将缺失值替换为零，会改变总体和结果。
同一组数据，两种平均值：公开规则
虚构数据：[10，缺失，0，20，缺失，30]。预期六条观测中有四个已知值，已知总和为60。已有的零是实际观测值。
| 处理方式 | 平均值计算 | 解读 |
|---|---|---|
| 仅使用已知值 | 60 ÷ 4 = 15 | 平均值描述四个已知值，不能证明两个缺失值也具有相同分布。 |
| 将缺失值替换为零 | 60 ÷ 6 = 10 | 两个零由规则补入，并非观测所得。该平均值回答了另一个问题；比较前应说明规则依据。 |
| 另一组样本：[缺失，缺失] | 无法计算 | 没有已知值，应显示不可用状态。平均值零会暗示存在实际并不存在的观测。 |
验证步骤
- 区分缺失、零及估计值。
- 计算排除缺失前后的均值。
- 保留计数及每变量处理规则。 还应测试所有值均缺失的分组，确认没有明确规则时不会将其展示为实测零值。
总和为零能证明所有值都是零吗？
不能。应检查存在值的数量以及系统对空集合的行为；缺失不能证明测得零。
一手资料：pandas — Working with missing data. 相关方法：阅读实用指南.