计算数据的集中趋势、离散程度与四分位数，并自动检测异常值。
平均数是把所有数据相加后除以数据个数所得到的值，是最常用、最直观的代表性指标。但平均数对极端值非常敏感，一旦数据中出现个别特别大或特别小的数字，平均数就容易被拉偏，无法真实反映整体情况。中位数则是把数据从小到大排序后，位于正中间的那个值，它几乎不受极端值的影响，因此在很多场景下能提供更稳定、更贴近实际的中心估计。举个例子：数据1、2、3、4、100的平均数高达22，但中位数只有3——显然中位数更能反映这组数据的真实分布状况，这也是为什么统计收入等偏态分布数据时，中位数往往比平均数更有参考价值。
方差用来衡量每个数据点相对于平均数的偏离程度，数值越大说明数据分布越分散。标准差则是方差的平方根，由于标准差与原始数据保持相同的单位，因此在实际解读时会比方差更加直观易懂。如果标准差数值较大，说明数据整体分布在平均数周围范围较广、波动较剧烈；如果标准差较小，则说明数据比较集中，都聚集在平均数附近。在金融领域，标准差常被用来衡量资产价格的波动性(即风险大小)；在质量管理领域，标准差则常用来评估生产过程和产品的一致性与稳定性。
四分位数是把一组数据平均分成四等份的三个分界点，分别是Q1(处于25%位置)、Q2(处于50%位置，也就是中位数)和Q3(处于75%位置)。IQR(四分位距)的计算方法是Q3减去Q1，它反映了数据中间50%部分的分散程度——IQR越小，说明数据核心部分越集中；IQR越大，说明核心数据也比较分散。除此之外，IQR还常被用来检测数据中的异常值：凡是小于"Q1 - 1.5×IQR"或大于"Q3 + 1.5×IQR"的数值，通常都会被判定为异常值，需要格外关注。
异常值(outlier)是指与整体数据明显不符、偏离正常范围的数值，它的出现可能是由于测量误差、数据录入失误，也可能反映了某个真实存在的特殊事件。目前最常用、也是最简便的异常值检测方法就是"1.5倍IQR规则"：只要某个数值小于"Q1 - 1.5×IQR"，或者大于"Q3 + 1.5×IQR"，就会被视为异常值。通过及时识别这些异常值，我们既可以进一步核查数据质量、剔除录入错误，也可能借此发现值得深入研究的特殊模式或现象。
直方图是将连续型数据划分为若干个区间(称为"组"或"bin")，再用柱状图的高度表示每个区间内数据出现的频数，从而直观地展现整体数据的分布形态。通过观察直方图的整体轮廓，我们可以一眼判断数据是否近似服从正态分布，是否存在明显的偏度(即左偏或右偏)，以及分布的陡峭或平缓程度(峰度)。对称的钟形曲线通常代表接近正态分布，而明显偏向一侧的形态则说明数据存在偏态分布。借助直方图，我们能够快速找到数据的众数所在区间、整体分布规律，以及潜在的异常值位置。
箱线图(又称箱形图)能够将最小值、Q1、中位数(Q2)、Q3、最大值这五个关键统计量集中呈现在同一张图表当中：箱体本身表示IQR区间(即Q1到Q3之间的范围)，箱体内部的横线代表中位数，箱体两端延伸出的"须"(whisker)则表示数据的正常波动范围，而落在须之外的散点即为被判定的异常值。箱线图特别适合用于同时比较多组数据的分布特征、判断数据分布是否对称，因此在数据分析和统计报告中被广泛使用。