在数据处理和分析中，我们经常遇到这样的问题：

如何快速了解数据的基本特征？
如何计算数据的均值、中位数、标准差等统计量？
如何识别数据的分布特征和异常值？

数据统计摘要分析 (Data Statistics Summary Analysis) 是数据处理的基础工具，通过计算数据序列的基本统计量（均值、中位数、标准差、方差、最大值、最小值、四分位数等），帮助我们快速了解数据的基本特征，识别数据分布和异常值。
本案例基于 Kotlin Multiplatform（KMP）与 OpenHarmony，实现了一个数据统计摘要分析器：

• 基本统计量：计算总和、均值、中位数、最大值、最小值、极差；
• 离散度统计：计算方差、标准差、变异系数；
• 四分位数：计算第一四分位数、中位数、第三四分位数、四分位距；
• 分布特征：计算偏度和峰度，识别数据分布特征；
• 通过 ArkTS 单页面展示原始序列、基本统计量、离散度统计、四分位数和分布特征，帮助你直观理解数据的统计特征。

---

一、问题背景与典型场景

典型场景包括：

1. 性能指标分析
   对接口耗时、CPU 使用率等性能指标进行统计摘要分析，了解指标的基本特征和分布情况。

2. 数据质量评估
   通过统计摘要分析，评估数据的质量，识别异常值和数据分布问题。

3. 异常检测
   通过统计摘要分析，识别数据中的异常值（如超出 3 倍标准差的值），用于异常检测。

4. 数据探索
   在数据分析前，通过统计摘要分析快速了解数据的基本特征，为后续分析提供基础。

5. 报告生成
   生成数据的统计摘要报告，用于数据报告和可视化。

相比直接查看原始数据，数据统计摘要分析的优势在于：

• 快速了解数据的基本特征；
• 识别数据分布和异常值；
• 为后续分析提供基础；
• 支持数据质量评估。

---

二、Kotlin 数据统计摘要引擎

1. 输入格式设计

本案例沿用统一的文本输入风格：

series=10,12,11,13,15,18,20,19,17

或直接输入数值序列：

10,12,11,13,15,18,20,19,17

2. 核心算法实现

在 App.kt 中，我们实现了 dataStatisticsSummaryAnalyzer 函数：

@JsExport
fun dataStatisticsSummaryAnalyzer(inputData: String): String {
    // 1. 解析输入序列
    val values = parseSeries(inputData)
    
    // 2. 排序用于计算中位数和四分位数
    val sorted = values.sorted()
    
    // 3. 基本统计量
    val sum = values.sum()
    val mean = values.average()
    val median = calculateMedian(sorted)
    val min = sorted.first()
    val max = sorted.last()
    val range = max - min
    
    // 4. 方差和标准差
    val variance = values.map { (it - mean) * (it - mean) }.average()
    val stdDev = sqrt(variance)
    
    // 5. 四分位数
    val q1 = calculatePercentile(sorted, 25)
    val q3 = calculatePercentile(sorted, 75)
    val iqr = q3 - q1
    
    // 6. 偏度和峰度
    val skewness = calculateSkewness(values, mean, stdDev)
    val kurtosis = calculateKurtosis(values, mean, stdDev)
    
    // 7. 生成报告
    return buildReport(...)
}

3. 关键统计量计算

基本统计量：

• 总和：所有数据值的和
• 均值：所有数据值的平均值
• 中位数：数据排序后的中间值
• 最大值和最小值：数据中的最大和最小值
• 极差：最大值与最小值的差

离散度统计：

• 方差：数据值与均值差的平方的平均值
• 标准差：方差的平方根
• 变异系数：标准差与均值的比值（百分比）

四分位数：

• 第一四分位数 (Q1)：25% 分位数
• 中位数 (Q2)：50% 分位数
• 第三四分位数 (Q3)：75% 分位数
• 四分位距 (IQR)：Q3 与 Q1 的差

分布特征：

• 偏度：数据分布的对称性，正值为右偏，负值为左偏
• 峰度：数据分布的尖锐程度，正值为尖峰，负值为平峰

---

三、OpenHarmony ArkTS 前端集成

1. 导入 Kotlin/JS 函数

在 index.ets 中导入：

import { dataStatisticsSummaryAnalyzer } from './hellokjs'

2. 状态变量定义

@State seriesInput: string = "10,12,11,13,15,18,20,19,17"
@State result: string = ""
@State isLoading: boolean = false

3. 执行分析逻辑

executeDemo() {
  this.isLoading = true
  
  const seriesLine = this.seriesInput.includes('series=') 
    ? this.seriesInput 
    : `series=${this.seriesInput}`
  const payload = seriesLine
  
  setTimeout(() => {
    try {
      this.result = dataStatisticsSummaryAnalyzer(payload)
    } catch (e) {
      this.result = "❌ 执行失败: " + e.message
    }
    this.isLoading = false
  }, 100)
}

4. UI 布局设计

• 顶部标题栏：使用渐变背景（紫色-蓝色主题），展示"数据统计摘要分析"标题
• 输入区域：单行文本输入框，支持 series=... 格式或直接输入数值序列
• 执行按钮：运行分析按钮和重置按钮
• 结果展示区：使用 Scroll 组件展示分析报告，包括原始序列、基本统计量、离散度统计、四分位数和分布特征

---

四、算法复杂度分析

• 时间复杂度：O(n log n)，其中 n 为序列长度。主要时间消耗在排序操作。
• 空间复杂度：O(n)，需要存储原始序列和排序后的序列。

---

五、工程化应用建议

1. 性能指标分析
   对接口耗时、CPU 使用率等性能指标进行统计摘要分析，了解指标的基本特征和分布情况。

2. 数据质量评估
   通过统计摘要分析，评估数据的质量，识别异常值和数据分布问题。

3. 异常检测
   通过统计摘要分析，识别数据中的异常值（如超出 3 倍标准差的值），用于异常检测。

4. 数据探索
   在数据分析前，通过统计摘要分析快速了解数据的基本特征，为后续分析提供基础。

5. 统计量选择

   • 均值：适合描述数据的平均水平，但对异常值敏感
   • 中位数：对异常值更鲁棒，适合存在异常值的数据
   • 标准差：反映数据的离散程度，标准差越大，数据波动越大
   • 四分位数：帮助识别数据的分布特征和异常值

---

六、总结

数据统计摘要分析是数据处理的基础工具，通过计算数据序列的基本统计量，帮助我们快速了解数据的基本特征，识别数据分布和异常值。本案例展示了如何在 KMP + OpenHarmony 架构下实现一个轻量级的数据统计摘要分析器，适用于性能指标分析、数据质量评估、异常检测等场景。

核心优势：

• 计算全面的统计量：基本统计量、离散度统计、四分位数、分布特征
• 实现简单，计算高效
• 结果直观，易于理解
• 适用广泛，可用于多种场景

适用场景：

• 性能指标分析
• 数据质量评估
• 异常检测
• 数据探索
• 报告生成

通过本案例，你可以快速掌握数据统计摘要分析的核心思想，并在实际项目中灵活应用。

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net