介紹幾種用于機(jī)器學(xué)習(xí)探索性數(shù)據(jù)分析的數(shù)據(jù)類型

數(shù)據(jù)類型是統(tǒng)計學(xué)中的重要概念，我們需要對它有正確的理解方能利用正確的數(shù)據(jù)類型來獲得結(jié)論。這篇文章將介紹幾種用于機(jī)器學(xué)習(xí)探索性數(shù)據(jù)分析的數(shù)據(jù)類型，以便正確的把握和利用數(shù)據(jù)。

對數(shù)據(jù)結(jié)構(gòu)的良好理解對于機(jī)器學(xué)習(xí)中探索性分析十分重要，對于不同的數(shù)據(jù)類型我們需要不同的統(tǒng)計學(xué)度量手段來進(jìn)行分析測試。同時也需要根據(jù)數(shù)據(jù)的類型選擇合適的可視化方式來幫助我們更好的理解數(shù)據(jù)。最后數(shù)據(jù)類型也為變量的分類提供了一個有效的途徑。

分類數(shù)據(jù)

分類數(shù)據(jù)代表著對象的屬性特點。諸如人群的性別、語言、國籍大都屬于分類數(shù)據(jù)。分類數(shù)據(jù)通常也可以用數(shù)值表示（例如1表示女性而0表示男性），但需要注意的是這一數(shù)值并沒有數(shù)學(xué)上的意義僅僅是分類的標(biāo)記而已。

定類數(shù)據(jù)

定類變量用于標(biāo)記不同變量的特征，而并不需要定量的數(shù)值，它們僅僅是標(biāo)簽而已。需要注意定類數(shù)據(jù)是無序的，對于變量順序的更改不會改變數(shù)據(jù)的本質(zhì)特征。

上圖中表示的便是一個樣本典型的分類數(shù)據(jù)，分別描述了個體的性別和語言屬性。特別的作圖中是一個只有兩個屬性的二叉分枝。

定序數(shù)據(jù)

定序數(shù)據(jù)代表了離散但是有序的變量單位。它于定類數(shù)據(jù)十分類型但確實有序的數(shù)據(jù)組織。下面教育背景的數(shù)據(jù)很好地的描述了定序數(shù)據(jù)的特點。

上圖中的四個選項依次表示了不同的受教育程度，但卻無法量化初級教育與高中的差別和高中與大學(xué)差別間的不同。定序數(shù)據(jù)缺乏對于特征間差別的量化使得它更多的只能用于評價利于情緒和用戶滿意度等一系列非數(shù)值特征。

數(shù)值數(shù)據(jù)

離散數(shù)據(jù)

離散數(shù)據(jù)是指其取值是不連續(xù)的分離值，數(shù)據(jù)只能在一些特定點取值。這樣的數(shù)據(jù)不能定量測量但可以進(jìn)行統(tǒng)計計量，并可將其蘊(yùn)含的信息通過分類的方式進(jìn)行表示。擲硬幣便是最著名的例子，我們無法預(yù)測出下一次硬幣的正反但是可以通過統(tǒng)計歷史數(shù)據(jù)來估測概率的分布。

當(dāng)處理離散數(shù)據(jù)時我們需要對兩個問題進(jìn)行深入思考：數(shù)據(jù)是否可以計數(shù)統(tǒng)計，是否可以分割成較小的部分。如果結(jié)論于此相關(guān)數(shù)據(jù)可以被測量而不能夠計數(shù)，那么意味著我們需要處理的便是連續(xù)的數(shù)據(jù)類型。

連續(xù)數(shù)據(jù)

連續(xù)數(shù)據(jù)類型代表著對象可測量的連續(xù)取值，雖然不能夠計數(shù)但是可以用某種尺度進(jìn)行連續(xù)的測量取值，例如人的身高和年齡便是連續(xù)的數(shù)值。通常情況下人們只用或者實數(shù)來進(jìn)行表示。

定距數(shù)據(jù)

定距變量用于表示對象等差屬性的描述方法。當(dāng)我們使用定距變量時我們可以明確的知道數(shù)值間的順序和差別，并計量這種差別。對于溫度的描述就是一個定距數(shù)據(jù)典型的例子。

但定距變量存在的問題在于它沒有一個絕對的基準(zhǔn)零值，對于上圖中的溫度來說0度并不意味著沒有溫度。對于定距變量來說我們可以進(jìn)行加減操作卻無法進(jìn)行乘除或者比例計算操作。由于不存在絕對零值使得描述性和推理性的統(tǒng)計方法都無法在定距數(shù)據(jù)上應(yīng)用。

定比數(shù)據(jù)

定比數(shù)據(jù)和定距數(shù)據(jù)一樣都是有序的數(shù)據(jù)排列，但定比數(shù)據(jù)存在一個絕對的零值，所描述的都是具有零值基準(zhǔn)的變量，包括重量、高度和長度等。

為何數(shù)據(jù)類型如此重要？

由于不同的統(tǒng)計方法適用于不同的數(shù)據(jù)類型，所以數(shù)據(jù)的類型對于統(tǒng)計和機(jī)器學(xué)習(xí)分析十分重要。試想如果利用連續(xù)數(shù)據(jù)的分析方法來研究分類數(shù)據(jù)，那么十有八九會得出錯誤的結(jié)論。對于數(shù)據(jù)類型的理解將會有助于我們選擇正確的方法和統(tǒng)計模型來探索和分析數(shù)據(jù)。那么不同的數(shù)據(jù)類型我們該選擇何種統(tǒng)計模型來分析呢？

對于定類數(shù)據(jù)來說主要需要關(guān)注頻率、比例/百分比和可視化方法三個要素。用頻率度量某一事物在一定時間或者是在數(shù)據(jù)集中發(fā)生的次數(shù)。同時可以用頻率將其從數(shù)據(jù)中的占比進(jìn)行統(tǒng)計和分離。對于這列數(shù)據(jù)來說餅圖和柱狀圖是最好的呈現(xiàn)方式。

對于定序數(shù)據(jù)來說除了百分比和頻率等指標(biāo)外，還可以利用百分位數(shù)、中位數(shù)等統(tǒng)計指標(biāo)來描述數(shù)據(jù)。

對于連續(xù)數(shù)據(jù)來說可以利用更為豐富的的手段進(jìn)行處理，除了常見統(tǒng)計手段的均值和方差外還有峰峰值、范圍等指標(biāo)來進(jìn)行表示。為了表示數(shù)據(jù)的誤差和離散程度，帶有誤差棒的箱式圖和直方圖不失為一種直觀的呈現(xiàn)方式。通過箱圖可以看到數(shù)據(jù)的集中程度和誤差程度，而直方圖則可以提供數(shù)據(jù)的整體形態(tài)、中值、分布以及趨勢。

在這篇文章中我們看到除了連續(xù)和離散的數(shù)值類型外，統(tǒng)計學(xué)中還包括了定序數(shù)據(jù)、定類數(shù)據(jù)、定距數(shù)據(jù)和定比數(shù)據(jù)等類別。對于不同的數(shù)據(jù)類型有著不同的分析和可視化方法，在著手處理數(shù)據(jù)時，理解數(shù)據(jù)是開始工作的首要條件，不僅有助于我們選擇正確的工具和方法，更有助于我們用正確的思維去探索和分析數(shù)據(jù)，更容易地得出正確有效的結(jié)論。