哪位说统计只能靠死记硬背那几套枯燥公式？实际上啊，数字的“脾气”跟人一样，得先摸清底细，再对症下药。拿文本来说，你总不能拿着“求均值”的公式去猜一个句子里到底藏着多少个笑点吧？这就好比让专科医生给你看病，还得让他背十遍药典。真正的统计，是跟数据过招，得看它长啥样，给个现成的法子，心里有底，动作才快。 最底层的那个“本”，实际上就是字符。在电子表格里，你选个单元格，左手按 C 加，右手按 X 删，双击一下，这一整条行要么列的数据全冒出来。

这时候你得先问问自己，数据是数字还是字母？要是是纯数字，那统计就好办了，直接读数字就行，哪怕是一堆小数点，加个括号要么转成整数，也是一把钥匙。

要是夹着啥“你好”、“谢谢”这种带字的，就得先动手。

要是全是汉字，那得先拆分。

如何拆分？有人用 Excel 的“查找和替换”功能，挨个找替换，把“是”换成“Y"，把“人”换成"A"，洗完澡出来一看，原来全是英文字符了，这就立竿见影。

要是实在不想折腾，直接回车换行，然后手动一个个数，别看笨，但能保命，毕竟没人能让电脑自己认字。 接下来就是处理那些带着符号的“怪兽”。

比如一个字符串里有"100 个”，直接拿"100"来算个均值，那结局肯定虚。

这时候你得先把你想要的数抠出来。

要是是标量，比如数组里的一个个数字，那就直接用 `COUNT` 函数，不用想忒多，一行代码搞定。

要是是一串字符，比如用户评论里全是"1"、"0"、"A"、"B"，这时候就要用到 `LEN` 函数了，`LEN` 就是数长度，`LENGTH` 也是，反正都是数字符总数，对吧？不过这里有个坑，大量初学者好办搞混，当作用了 `LEN` 就能算出平均值，大错特错。`LEN` 只管长度，不管数字。你得赶紧加个 `DIV` 要么 `SUM` 把长度和数字混在一起算。

要是不小心把数字串当纯字符串处理了，用 `LEN` 算出来的结局可能高达几万，就连几亿，那平均值就是 200 万了，跟实际值差了一千倍。

这时候你得用 `FIND` 和 `MID` 函数，从字符串里一个个截取数字，存到中间表格里，最终再求平均数。

这个过程看着像天书，实际上逻辑挺好办：先把字符串切块，再一个个加，最终除以块数。 当数据多了，特别是几万条就连几十万条的时候，手动算要么 Excel 公式真不够用了。

这时候就得靠真正的统计软件了。Excel 里的公式别看撇脱，但处理海量数据好办卡壳，不如直接跑进 Python。Python 里的 `pandas` 库简直就是为数据大军预备的。有个叫 `pd.read_csv` 的函数，它读取数据文件的时候，还能自动把中文标点符号识别成汉字，把英文字符转码成 ASCII，再把你想要的字段取出来。

这时候别乱跑，先把列名确认一下，确保没有那个“幽灵列”，比如一个怪的字符列混进去了。

然后重点来了，对每一列都要用 `apply` 函数，对每一行都要用 `apply`。别急着求和，先求平均值，再求中位数，中位数比平均值更能抗揍，出于它不敏感于那些极端的大数字。算完这些，最终用 `mean()` 和 `median()` 函数汇总一下，拿到一个干净利落漂亮的统计结局。

这时候，你手里的数据已经像一个经过精密加工的数据包，随时预备拿去分析、可视化，就连拿去喂给模型。 再看那些非结构化数据，比如网页里的文字。

这时候就不能只用 Excel 了，得用爬虫要么一些专门的 NLP 库。

比如 Python 里的 `BeautifulSoup` 要么 `Scrapy`，它们能把网页里的段落、段落、段落给抓出来。抓取回来是一大堆乱糟糟的字符串，这时候就得用正则表达式（Regex）了。正则表达式实际上就是用数学公式给文本做筛选，比如 `(w+)` 就能匹配所有字母数字，`(d+)` 匹配所有数字，`n` 匹配换行符。用正则表达式把文本里的数字和字母一个个捞出来，存到列表里，然后再统计个数。

这时候就能得出一个精确的字符串长度统计。

要是还要统计词频，那就更复杂了，得先清洗文本，去掉标点，再分词。分词算法大量，比如 `jieba`，它对中文分词效果特别好。分完词，再用 `Counter` 要么 `collections.Counter` 来统计每个词出现的次数。

这时候你看，从原始文本到最终的统计报表，中间隔着层层筛选和转换，每一步都要小心，一步错，全盘皆输。 自然，数据这东西，有时候挺玩人的。

比如某些文本文件里，每行开头都有一个随机生成的前缀字符，比如 "AA", "BB", "CC"... 这时候要是直接按行处理，统计的人数可能会偏多，出于那个前缀也被算进去了。

这时候你得加个过滤条件，`filter(lambda x: not x.startswith("AA"))`，去掉那些不需求的行。

要么在读取数据的时候，用 `skiprows` 参数跳过注释行，要么用 `parse_dates` 函数自动识别日期列，去掉那些日期相关的无效字符。

这时候你得细心，别把漏掉的“脏数据”当成有效数据，不然出来的统计结局全是毛，分析的时候都得从头再来。 归根结底，统计字符个数的公式，不是死记硬背的公式，而是一种思维模式。它要求你先看透数据的本质，根据数据的形态选择合适的方式。是先算还是先转码？是单行单列还是多行多列？是纯数字还是夹杂符号？这拍板了你的算法。是直接用好办的函数，还是得用复杂的程序逻辑？这拍板了你的工具。在 Python 里，大量时候 `pandas` 和 `numpy` 的力量，能把原本繁琐的手动统计压缩成短短几行代码，这种效率的提升，才是统计最真的意义。

不要恐惧复杂的代码，那些函数背后，往往藏着最朴素的逻辑：找出，计数，汇总。

只要你懂这个底层逻辑，甭管数据多复杂，你都能学会跟它对话。最终记住，刚拿到数据的时候，大约率是乱的，也是脏的，这时候你的第一步英雄行为，就是清理它，把那些干扰项去掉，让数据露出它原本的样子，然后才能启动真正、有意义地统计。