简介一份面向R语言初学者与数据分析入门者的描述性统计实战指南聚焦如何用R快速完成数据集中趋势、离散程度与分布形状的探索覆盖从内置函数到分组分析与可视化的完整链路。压缩包内含1个PDF文档大小约98KB篇幅精炼便于随查随用已有554人学习适合作为课程作业、数据分析项目前置探索及统计函数速查材料。文档以mtcars等数据集为例系统梳理summary()与sapply()的用法并给出自定义偏度、峰度函数的实现同时介绍Hmisc、psych包的describe()输出。分组统计部分讲解aggregate()、by()和doBy::summaryBy()的实现思路可视化部分结合ggplot2演示直方图与箱线图的绘制帮助读者把数值结果与图形分布对应起来。整体内容兼顾基础操作与进阶包应用可作为R语言描述性统计的案头参考。1. 描述性统计分析在 R 语言里四条命令跑通再往下谈接手一份陌生的数据表最先要回答的问题不是该用哪个模型而是每一列长什么样中心在哪、离散多大、有没有离群点、缺失值占不占坑。R 语言在描述性统计分析上的工具链是这个环节里最顺手的一档——summary()一行给出四分位数sapply()把任意函数批量套到每一列psych 与 Hmisc 的describe()补齐偏度和峰度ggplot2 再把分布画出来和数字对照。数据科学项目里常说的 EDA第一层砖就是这套描述性统计。刚接手数据清洗、要给团队交一份字段体检报告的从业者或者想把零散几行 R 代码沉淀成可复用模板的人往下读会有收获。下面从基础函数开始一路走到分组统计和图形核对。2. 基础函数层summary() 与 sapply() 的输出结构怎么读这一章解决的是「跑得出结果但看不懂结果」的问题。很多人第一次用summary()和sapply()就卡在输出形态上——summary()打出来的是一张看着像表格、实际上是特殊类对象的玩意sapply()有时候返回矩阵有时候返回列表接write.csv()就报错。先把返回结构的类型、维度、行名列名摸清后面所有扩展包的分析结果才能稳定拼成可交付的表。2.1 summary() 返回的不是 data.frame而是 table先跑个最小例子看清它到底返回什么# 加载内置数据集只用三列做演示 data(mtcars) myvars - c(mpg, hp, wt) s - summary(mtcars[myvars]) # 关键看清类型和维度 class(s) # table dim(s) # 6 3 rownames(s) # Min, 1st Qu, Median, Mean, 3rd Qu, Max colnames(s) # mpg, hp, wtsummary.data.frame()会对每一列分别调用summary.default()如果所有列都能凑成同样长度的结果它就拼成一个 6 行 N 列的table对象只要有一列返回结构不同它就退化成 list 打印。这解释了为什么有的数据框summary()出来整整齐齐加一列字符型之后就变得七零八落。行序固定是六个数最小值、下四分位、中位数、均值、上四分位、最大值。想单独取某一行做后续计算直接s[Mean, ]或as.numeric(s[Mean, ])就行不必再逐列mean()。列名的顺序跟mtcars[myvars]传入的列顺序一致所以选择变量的向量最好显式写出来别依赖列位置。提示summary()对因子列返回的是各水平频数对字符列在 R 4.0 之后只会给Length / Class / Mode三个值看不到频数。要频数得先factor()化再summary()或者干脆table()。参数层面summary()没什么可调的它的价值就在「一眼看全」。但它有个常被忽略的行为默认不做任何 NA 过滤mean那一行在含缺失值的列上会直接给出NA。所以看到均值是NA第一反应应该是回去查缺失值数量而不是怀疑函数坏了。2.2 sapply() 批量套函数名字对齐是隐形的坑sapply()的定位是把一个函数套到列表或向量的每个元素上并尽量把结果简化成向量或矩阵。描述性统计里最常见的写法是# 单一统计量返回命名向量名字来自列名 sapply(mtcars[myvars], mean) # 多个统计量函数返回命名向量sapply 拼成矩阵 sapply(mtcars[myvars], function(x) { c(mean mean(x), sd sd(x), median median(x)) })第二种写法返回的是一个 3 行 3 列的矩阵行是统计量名列是变量名。这个方向容易记反写报告时把行列搞混是新手常见翻车点。记住口诀sapply沿列方向遍历变量所以每个函数的返回值在行方向堆叠。真正的坑在函数返回值的长度上。如果某个变量全是 NAmean()返回NaN长度还是 1不影响但如果函数内部有条件分支导致返回长度不一致sapply会静默退化成 list后续as.data.frame()直接报错。稳妥一点的替代是vapply()强制指定返回类型和长度# vapply 要求显式声明返回值形状长度不对立刻报错 vapply(mtcars[myvars], function(x) c(mean(x), sd(x)), FUN.VALUE numeric(2))FUN.VALUE是一个模板告诉 R「我这个函数一定返回 2 个 double」。一旦某个变量触发了不同分支R 会在那一列报values must be length 2定位速度比sapply的沉默退化快得多。我一般写生产脚本用vapply写一次性探索用sapply这个习惯是从一次线上报告里某列莫名变成字符串之后养成的。另一个细节是na.rm。sapply(mtcars[myvars], mean)默认na.rm FALSE只要有一个 NA 就整列返回 NA。批量计算时应该显式传参sapply(mtcars[myvars], mean, na.rm TRUE) sapply(mtcars[myvars], sd, na.rm TRUE)2.3 把宽表结果整理成可交付的数据框矩阵形态适合人眼看不适合写进 CSV 交出去。一个合格的文件清单应该是一行一个变量、一列一个统计量。下面这段把前面几次调用合成一张表# 单变量统计量集合返回命名向量长度固定为 8 stats_one - function(x) { x - x[!is.na(x)] # 先剔除缺失避免污染 c(n length(x), mean mean(x), sd sd(x), min min(x), q25 unname(quantile(x, 0.25)), # unname 去掉分位数的名字 median median(x), q75 unname(quantile(x, 0.75)), max max(x)) } # 对每列应用得到 8 行 3 列的矩阵 m - sapply(mtcars[myvars], stats_one) # 转置成 3 行 8 列再挂上变量名列 out - as.data.frame(t(m)) out$variable - rownames(out) rownames(out) - NULL out[, c(variable, setdiff(names(out), variable))]三个细节值得说清quantile()默认返回带25%这种名字的向量直接塞进c()会让整行名字变成q25.25%这类拼接结果所以用unname()剥掉。t(m)转置后行名是原来的列名正好可以拿来当变量名列但as.data.frame()之后这些行名会挂在rownames上得手动提升成列。out$variable放到第一列纯粹为了阅读顺序setdiff那一步保证不会重复。跑完之后得到的是一张可以直接write.csv(out, row.names FALSE)的表后面接 psych 或 Hmisc 的输出也沿用同样的「转置 提行名」套路即可。这套整理逻辑一旦固定下来整个描述性统计环节的产出格式就统一了。3. 自定义统计函数偏度、峰度公式实现与 na 处理的两个边界内置的mean、sd、median覆盖了中心趋势和离散程度但分布形状的指标——偏度和峰度——不在基础包里。要么装扩展包要么自己写。自己写的好处是完全可控、不引入依赖、能塞进任何环境坏处是公式细节一旦写歪结果就会系统性偏离而且不报错、不报警只是悄悄错着。这一章把公式实现、参数命名、缺失值边界三件事拆开讲。3.1 偏度与峰度公式分母用 n 还是 n-1先摆出原始版本# 基础版矩法偏度和超额峰度 mystats - function(x, na.omit FALSE) { if (na.omit) x - x[!is.na(x)] m - mean(x) n - length(x) s - sd(x) # 样本标准差分母 n-1 skew - sum((x - m)^3 / s^3) / n # 三阶矩 kurt - sum((x - m)^4 / s^4) / n - 3 # 四阶矩减 3 c(n n, mean m, stdev s, skew skew, kurtosis kurt) }这段代码能跑但里面混用了两套分母s用的是n-1无偏估计而三阶、四阶矩求和之后除以的是n。这在统计上叫「矩法估计」严格来说和教科书里样本偏度g1、样本峰度g2不是同一个量。R 的e1071::skewness()默认用的是带校正的G1 n/((n-1)(n-2)) * sum((x-m)^3) / s^3样本量小的时候两者能差出百分之十几。这意味着如果你拿mystats()算的偏度去和 SPSS、SAS 或者psych::describe()的输出对照数字对不上属于正常不是谁算错了是口径不同。要做交叉验证得先把口径对齐——要么都用手写公式要么都用同一个包的默认值。# 交叉验证手写值 vs e1071 默认值 x - mtcars$mpg mystats(x)[skew] e1071::skewness(x) # 带校正样本量小时差异明显 e1071::skewness(x, type 2) # type 2 是未校正版本更接近手写e1071::skewness的type参数有 1、2、3 三档type 3是默认的G1type 2就是除以n的矩法。写模板函数时把口径注释清楚比追求「哪个是标准答案」更实际。峰度那一行同样要注意-3是把正态分布的峰度归零得到的是「超额峰度」。如果下游报告要的是原始峰度去掉-3别让读者自己加减。3.2 参数叫 na.omit 会盖住同名函数上面那段mystats()的参数名叫na.omit一旦函数内部需要调用stats::na.omit(x)就会因为参数遮蔽而报could not find function或者更可怕——把参数本身当成函数调报一个看不懂的错。这是抄网上代码时最容易带进来的地雷。# 改掉参数名并加长度下限检查 mystats_safe - function(x, remove_na TRUE) { if (remove_na) x - x[!is.na(x)] if (length(x) 3) { # 样本太短四阶矩没有意义返回结构保持对齐 return(c(n length(x), mean NA_real_, stdev NA_real_, skew NA_real_, kurtosis NA_real_)) } m - mean(x); n - length(x); s - sd(x) c(n n, mean m, stdev s, skew sum((x - m)^3 / s^3) / n, kurtosis sum((x - m)^4 / s^4) / n - 3) }两点改进都很关键参数改名为remove_na避免和na.omit()撞车。加length(x) 3的短路返回。sd()在长度 1 时返回NAs^3就是NA整个偏度变成NA不报错直接污染下游。提前返回一个长度固定、名字固定、值全NA的向量sapply拼矩阵时才不会因为长度不一致退化成 list。下面这句能说明为什么长度对齐这么重要# 假设一列全是 NA直接算会破坏 sapply 的形状 bad - rep(NA_real_, 10) sapply(list(a mtcars$mpg, b bad), mystats) # 行列可能错位 sapply(list(a mtcars$mpg, b bad), mystats_safe) # 稳定返回 5 行 2 列3.3 封装成可复用的字段体检模板零散函数凑在一起是没法复用的把它包成一个接受数据框、返回数据框的函数团队里谁拿到都能跑# 输入数据框和变量名向量输出一行一变量的描述统计表 desc_report - function(df, vars names(df)) { num_vars - vars[vapply(df[vars], is.numeric, logical(1))] if (length(num_vars) 0) stop(没有可分析的数值列) m - vapply(df[num_vars], mystats_safe, FUN.VALUE numeric(5)) out - as.data.frame(t(m)) out$variable - rownames(out) rownames(out) - NULL out[, c(variable, n, mean, stdev, skew, kurtosis)] } desc_report(mtcars, c(mpg, hp, wt, cyl))里面有两个工程化的取舍用vapply替掉sapply让任何一列返回值不符合模板时立刻报错而不是静默变 list用is.numeric先过滤列类型避免字符型或因子列进入公式计算时抛出难以定位的报错。跑出来cyl是 0 偏度、峰度约 -1.8 左右这一列只有 4、6、8 三个值看起来像个连续变量但其实是分组变量。这也是描述性统计阶段必须人工过一眼的原因——函数不会替你判断某一列该不该参与数值分析只会老老实实把数字算出来。4. 扩展包 describe()Hmisc 与 psych 的选型对比和加载冲突手写函数可控但需要维护扩展包的describe()一次性给出均值、标准差、截尾均值、中位数、绝对中位差、极值、偏度、峰度。两个主流的包是 Hmisc 和 psych都提供同名函数但返回类型和适用场景差别很大混着用很容易在打印环节翻车。4.1 Hmisc::describe() 输出的是给人看的报告install.packages(Hmisc) library(Hmisc) describe(mtcars[c(mpg, hp, wt)])打印出来的格式是这样一组一组顶部n、missing、distinct、Info有效比例、Mean、Gmd基尼均差、0.05 / 0.10 / 0.25 / 0.50 / 0.75 / 0.90 / 0.95分位、lowest / highest五个值。下方连续变量的直方图字符画一眼看形状。对初学者很友好但它是describe类对象print()时有专门方法as.data.frame()不一定能直接拿。想抽数值得用Hmisc::describe(...)的结果里逐项取或者干脆sapply手写。所以 Hmisc 更适合人眼粗看不适合塞进自动化流水线。另一个实际问题是加载成本。library(Hmisc)会 attach 一堆依赖包而且会覆盖一些同名函数——summarize是重灾区如果你后面写 dplyr 的summarise()切换环境时容易搞混。我通常只在交互式探索时加载它生产脚本里写清楚Hmisc::describe()带命名空间调用。4.2 psych::describe() 返回数据框更适合流水线install.packages(psych) library(psych) d - psych::describe(mtcars[c(mpg, hp, wt)]) class(d) # data.frame names(d) # vars n mean sd median trimmed mad min max range skew kurtosis sepsych 的describe()返回标准数据框一行一个变量列名从上到下覆盖了 n、均值、标准差、中位数、截尾均值默认 10%、绝对中位差、极值、极差、偏度、峰度、标准误。这直接可以write.csv()或rbind()跟前面手写的模板输出结构几乎能拼在一起这是它最大的优势。可调参数主要有三个参数默认作用什么时候改trim0.1截尾均值两端各去掉的比例数据偏态重时调到 0.2 看稳健性skewTRUE是否计算偏度只关心中心趋势时设 FALSE 提速quant无是否补充分位数需要和 summary() 的四分位对齐时传c(.25,.5,.75)IQRFALSE是否计算四分位距排查离群点密度时打开用法示例psych::describe(mtcars[c(mpg, hp, wt)], trim 0.2, quant c(.25, .5, .75), IQR TRUE)trim 0.2之后trimmed那列会变跟mean对比一下就能看出尾部对均值的影响有多大——如果两者差得远说明这一列有长尾后面建模时可能要做变换。这是 psych 比 Hmisc 更合适的地方它给你的是可比较的数字列不是一堆格式化文本。4.3 两个包同时加载时的输出冲突Hmisc::describe()和psych::describe()同名谁后library()谁生效。这意味着你在一份脚本里先library(psych)再library(Hmisc)后面写describe(df)用的就是 Hmisc 版本返回类型从 data.frame 变成describe对象$mean之类取不到直接翻车。三条处理方式按稳妥程度排序全程加命名空间前缀Hmisc::describe()、psych::describe()。一行多敲几个字符换来永远可复现这是我现在的默认写法。只library()一个另一个全部前缀调用。脚本头部显式library(psych)需要 Hmisc 的地方写全名。用conflicts()自检脚本开头跑一次conflicts()把自己用的包全部列进去看到describe出现两次就知道要处理。# 自检看一下当前环境里有哪些同名遮蔽 library(psych) library(Hmisc) conflicts() # 输出里 describe 会出现在 Hmisc 与 psych 两栏 # 稳妥写法全程前缀 h - Hmisc::describe(mtcars$mpg) p - psych::describe(mtcars$mpg)还有一个不太容易注意的点psych 的describe()默认不接受字符列遇到非数值会直接报错。传进去之前应该先过滤num_df - mtcars[, vapply(mtcars, is.numeric, logical(1))] psych::describe(num_df)这一句其实是第 2 章vapply套路的复用——用is.numeric做列筛选把类型问题挡在函数入口外。以后接 csv、接数据库导出的表这行前置过滤可以一直挂着。5. 分组描述性统计的常见问题排查aggregate、by、summaryBy 五处翻车按某一列分组、对每个分组的数值列做统计这是业务场景里出现频率最高的需求。R 里至少有三条主流路线aggregate()、by()、doBy::summaryBy()。三条路都能出结果但输出结构、NA 处理策略、多列多返回值的展开方式都不一样选错一个后面就要花半天整理格式。这一章把三条路的用法和五个最常踩的坑摆在一起。5.1 aggregate() 的公式接口与多返回值展开规则# 单列单统计量返回干净的 3 行 2 列 aggregate(mpg ~ cyl, data mtcars, mean) # 多列单统计量cbind 把多个 y 捆起来 aggregate(cbind(mpg, hp, wt) ~ cyl, data mtcars, mean) # 多列多统计量FUN 返回命名向量 aggregate(cbind(mpg, hp) ~ cyl, data mtcars, FUN function(x) c(m mean(x), s sd(x)))前两种结果规整第三种列名会被拼成mpg.m、mpg.s这种形式字段一多就难以辨认。这不是 bug是aggregate()把 FUN 的返回值展平之后的自然结果。如果统计量固定直接用FUN length、FUN mean分多次调用再merge()比一次返回多值更好整理。aggregate()还有一个隐蔽行为na.action默认是na.omit丢的是整行不是整列。分组变量里出现 NA 时那一整组数据会被静默丢弃输出少一组你根本无从察觉。数据干净时看不出问题一旦上游有缺失结果就是错的。# 让 NA 单独成组而不是被静默丢弃 aggregate(mpg ~ cyl, data mtcars, mean, na.action na.pass)5.2 by() 返回 list后续拼接要显式处理形状by()的语义是「按因子把数据框切成子集对每个子集跑同一段函数」返回值是一个by类的 list打印时自带分组标题人眼舒服但接rbind()或write.csv()得手动展开。dstats - function(x) sapply(x, mystats_safe) r - by(mtcars[c(mpg, hp, wt)], mtcars$cyl, dstats) class(r) # by length(r) # 3 r[[1]] # 第一组5 行 3 列统计量 × 变量r[[1]]是一个 5 行 3 列的矩阵行是n/mean/stdev/skew/kurtosis列是变量名。要拼回一张宽表得把每一组的矩阵转置、加分组列再rbind()long - do.call(rbind, lapply(names(r), function(g) { m - r[[g]] data.frame(cyl g, variable colnames(m), as.data.frame(t(m)), row.names NULL, check.names FALSE) })) head(long)这里check.names FALSE是为了让列名保持原样不至于被 R 自动转成kurtosis.1这类合法变量名。row.names NULL则是防止不同分组的行号重复。5.3 doBy::summaryBy() 与自定义函数的组合install.packages(doBy) library(doBy) summaryBy(mpg hp wt ~ cyl, data mtcars, FUN mystats_safe)结果是一张 data.frame一行一个分组列名形如mpg.n、mpg.mean、mpg.skew。这是三条路里输出最规整的直接可以写盘。两点需要注意FUN 如果返回命名向量summaryBy()会用「列名.函数名」的规则拼列名FUN 如果返回未命名向量则会按mpg.1、mpg.2顺序编号可读性差。FUN 也可以传列表FUN list(mean mean, sd sd, median median)此时输出列名是mpg.mean、mpg.sd这一套比手写命名向量更省心。但列表形式要求每个函数都返回标量不适合偏度这种需要共用中间变量的计算。所以我的选择习惯是单统计量用 aggregate多统计量且需要干净输出用 summaryBy需要自定义组合逻辑用 by。三者可以混用但输出结构必须先统一否则后面merge()就是灾难。5.4 五个最常见翻车记录现象一summary(df)里字符列只看到 Length / Class / Mode没有频数。原因R 4.0 之后stringsAsFactors默认FALSE字符列不是因子summary()按字符处理。 解决summary(factor(df$col))或直接table(df$col)数据读入时如果想保留因子语义用read.csv(..., stringsAsFactors TRUE)。现象二sapply(df, mean)报参数不是数值也不是逻辑值。原因数据框里混了字符列或因子列mean()在非数值上直接抛错。 解决df[, vapply(df, is.numeric, logical(1))]先筛列再做批量统计。别用位置索引列顺序一变就全乱。现象三aggregate()输出的行数比分组数少。原因分组变量里有 NA默认na.action na.omit把整组丢了。 解决加上na.action na.pass或在建因子时用addNA(cyl, ifany TRUE)把 NA 显式当作一个水平。现象四手写偏度和psych::describe()算的对不上差了一个量级。原因手写公式里标准化用的是sd()分母n-1除以的是npsych 默认使用带校正的样本偏度样本少时差异明显。 解决固定口径用e1071::skewness(x, type 2)验证手写值或者全程只用一端的结果绝不混用。现象五by()之后do.call(rbind, ...)报numbers of columns of arguments do not match。原因某一组只有 1 行或 2 行sapply在退化成向量时行数不足函数返回的形状和其他组不一致。 解决mystats_safe里做长度下限判断统一返回 5 行固定结构实在没法保证时改成vapply加FUN.VALUE形状不对立刻报错而不是等到rbind()才炸。注意这五条里有三条是「不报错、结果错」比报错更需要警惕。分组统计交付之前先拿table(df$group)核对一遍分组计数再拿nrow(result)和length(unique(df$group))对一下能提前拦掉大部分问题。6. ggplot2 可视化核对直方图、箱线图与统计量的交叉验证数值统计表只能告诉你「均值是多少、四分位在哪」看不出分布是双峰还是长尾。可视化这一步的真正目的不是出图好看是拿眼睛核对刚才那张表——直方图的分箱峰位应该和均值、中位数吻合箱线图的箱体和须长应该和四分位、极值对得上。不一致的地方就是需要回去复查的地方。6.1 直方图分箱与 summary() 四分位的对照library(ggplot2) # binwidth 1 让每箱宽度 1boundary 0 让分箱从整数开始 ggplot(mtcars, aes(x mpg)) geom_histogram(binwidth 1, boundary 0, fill steelblue, color black) geom_vline(xintercept quantile(mtcars$mpg, c(.25, .5, .75)), linetype dashed) labs(x mpg, y count)三条虚线分别是 Q1、中位数、Q3。看图时盯三件事中线是否落在分布的主体上。如果中位数线偏在一侧说明尾巴长后面建模要考虑稳健统计量。Q1 和 Q3 之间的箱体宽度和直方图里的「主体峰」宽度是否接近。差距太大说明分箱粒度选得不对binwidth需要调整。有没有明显脱离主体的孤立柱子。这是离群点的第一层信号和boxplot.stats()$out的结果要能对上。boundary 0常被省掉但它决定了分箱的起点不指定时 ggplot2 从数据最小值开始分同一个变量换一份数据后分箱位置就会变图形没法跨数据集对比。指定整数边界能让多次出图保持口径一致。6.2 箱线图与 aggregate() 结果的互证ggplot(mtcars, aes(x factor(cyl), y mpg)) geom_boxplot(outlier.colour red, outlier.size 2) stat_summary(fun mean, geom point, shape 18, size 3, color darkgreen)红色点是离群值深绿色星号是分组均值。三件事可以立刻验证箱体上下沿是否和aggregate(mpg ~ cyl, mtcars, quantile)算出的 Q1、Q3 一致。R 的箱线图用的是 hinges 算法小样本上跟quantile(type 7)会差一点差一条线的宽度内属于正常差得多要回头查分组。上下须的端点是否落在Q1 - 1.5*IQR和Q3 1.5*IQR之内。落在外面又被画成点的就是被判定为离群值。绿色星号均值和中位数线的水平位置是否错开。错开越大偏度越明显可以回第 3 章手写的skew值上对一下方向。# 与图形一一对应的数值 aggregate(mpg ~ cyl, data mtcars, FUN function(x) c(q1 unname(quantile(x, .25)), med median(x), q3 unname(quantile(x, .75)), mean mean(x))) boxplot.stats(mtcars$mpg[mtcars$cyl 4])$out # 离群点原始值6.3 一页核对表数字和图形怎么互相印证把整条流水线的检查点固定成一张表每次交付之前照着过一遍比凭记忆靠谱统计量数字来源图形对应物不一致时查什么最小值 / 最大值summary()第一行、第六行直方图最左、最右非空箱是否有离群点被binwidth吞掉Q1 / Q3summary()第二、五行箱线图箱体上下沿是否用了 hinges 算法导致偏差中位数summary()第三行箱线图箱内粗线分箱边界是否落在中位数上均值summary()第四行stat_summary的星号偏度方向均值被长尾拉走偏度 / 峰度psych::describe()直方图峰位相对中位数的偏移公式口径是否统一离群点数boxplot.stats()$out长度箱线图红点数分组是否正确传入这张表的用法不是逐一打勾而是「有任何一格对不上就停」。描述性统计环节的错误会一路传到建模和结论越早拦越省事。我吃过一次亏一份分组报告里 Q3 算出来 78.5箱线图箱体上沿明显更高当时以为是 hinge 差异没管交付后才发现是分组变量里有个前导空格被当成了独立一组数量少但均值高硬生生把上沿抬上去。从那以后我每次跑完分组统计都强制走一遍table()对分组计数、aggregate()对分位、ggplot()看图的三步核对任何一步对不上就先停下查数据而不是改代码。这套习惯救回来的返工时间远比每次多花的十分钟多。希望帮到你。本文还有配套的精品资源点击获取