统计学里的全距，也就是极差，听起来挺好办，就是最大值减最小值，包圆了这组数据最了得的那两段。但在实际做题要么分析数据时，它绝非那个“直接套公式”的黑箱，而是得看情况、看数据本身的状态，就连得跟其他统计量混着玩，才能把它的坑给填平。 大量人一见全距就想张嘴算，往上一减，那步调快得像在跳踢踏舞。但这招对粗心的数据简直是催命符。
比如你手头有一组成绩，满分 100 分，你随意找个小的算一下，结局发现最小分是 88，最大分是 93，全距就是 5。
这时候你会想，哎呀，这组数据波动挺小，挺聚拢嘛。但仔细一想，这 5 分里，是不是有 30 分是个坑？
有没有 90 多分是个假象？全距是个蛮横的数学家，它不管这中间有没有 100 个假样本，它只管“最大值”和“最小值”这两个极端点。
故此，要是你发现这组数据的整体方差实际上挺大的，说明最大值和最小值之间隔着忒多的未知地带，这时候全距就是个庞大的谎言，就连是个误导性的数据。
这时候，你肯定得换个思路，别光盯着这两个数字了。 那咋办呢？实际上全距的用法早就不是那种“非黑即白”的教条了。在描述一组数据时，全距是个“老好人”，它不喜爱挑剔，也不抗拒有人给它贴标签，出于它就是最直观、最粗暴的度量。
比如你在分析一组销售人员的业绩，要是没有记错的话，最大的业绩卖出了 500 万，最小的是 10 万。
这时候全距就是 490 万。
这时候，你或许会认定，这组数据别看平均数可能不及格，但波动范围确实大，全距就是这个意思的。它在告诉我们，这组数据的“跨度”有多大，最糟糕的时候和最得意的时候之间，到底隔了多少天。 不过，全距也不是万能钥匙，它有个致命弱点，就是高度依赖数据中的那两个极端值，这点在数据量变大要么出现异常离群点时简直要命。
比如上个月的数据里，有一笔超级巨款入账，瞬间拉高了全距，这时候你再看之前的趋势，就会发现之前的购买欲望实际上并不好，全距反而变成了一种“噪音”。
故此，在寻思要不要用它的时候，你得先问自己一句：“这俩极端值是不是特别夸张？它们是不是像两个捣乱鬼，把原本正常的波动给带偏了？”要是答案是肯定的，那全距就是个“大号西瓜”，你瓜皮都看不清里面的瓜瓤，这时候就别全信了。 这时候，全距就不得不和其他的指标开个“约饭局”了。在正式的考试要么严谨的分析里，全距一般是被拿来对比的，而不是单独唱的独角戏。你能够把它和平均数、中位数、标准差这些“邻居们”放在一起，看看哪位的胳膊长。
比方说，要是全距挺大，但标准差也挺小，这意味着数据被紧紧锁在中间，两头全是死水，这时候全距就是个虚火；反过来，要是全距挺大，标准差也大，说明两头都挺活跃，中间也就没啥动静了，这时候全距就是个好帮手，能告诉你这组数据范围广。 并且，全距还有个隐藏的大招，就是在组距式直方图里，它往往能在横轴上指指点点。横轴上标着一个全距的高度，这代表的是数据的总跨度，也就是数据的“胖瘦”。当你要判断一组数据是“瘦高”还是“圆润”的时候，全距就是你的尺子。
要是全距占据了整个横轴的大局部，那这组数据大约率是“瘦高”的，两头翘；要是全距挺短，挤在中间，那它就是“圆润”的，两头都塌。
这时候，你不用去背任何复杂的公式，光凭这个全距，就能在几分钟内摸透数据的整体脾气。 自然，全距也不是只有正数，它就是个纯数字，没有方向性。
有时候全距会让人认定“好大”，有时候又认定“忒小”，这都是看数据本身的分布状态拍板的。
比方说，要是一组数据全是重复的，那全距就是 0，这时候它告诉你数据彻底没变化，像个复印机；要是一组数据是均匀分布的，全距可能不会忒大，出于它两头都差不多；但要是有一头是极端的好，一头是极端的坏，全距就会瞬间膨胀，直接把整个数据群的轮廓勾勒出来。 故此，在使用全距的时候，得记住它只是个“看家狗”。它忠诚地守着最大值和最小值，不会撒谎，也不会撒谎。它间或会显得有点粗鲁，出于它不关心中间那些细微的波动；它有时候也会显得有点虚弱，出于它忒依赖那两个极端点。别把它当真理，也别把它当幻觉，把它当成一个辅助工具，配合着标准差、方差、偏度、峰度这些工具，一起把数据的脾气看透。 最终，你在做题要么做卷子的时候，要是遇到题目问全距，千万别硬套公式。先读一遍题目，看看这组数据给人的感觉。是两头翘的？是两头塌的？还是中间有鬼？要是是两头翘的，全距就是它的主场；要是是中间有鬼，全距就是它的替罪羊。把全距当成数据的一个“粗线条轮廓”去观察，而不是去计算那必知的几个数字。
只有这样，你才能在考试中避免那些低级毛病，也能真正理解统计学里那些抽象的概念。
毕竟，统计学不是死记硬背公式，而是学会如何听懂这组数据讲故事，全距就是那个最老练的讲故事的人。
