理解這些數(shù)據(jù)類型有助于對數(shù)據(jù)集進行恰當?shù)奶剿餍詳?shù)據(jù)分析

編者按：數(shù)據(jù)類型是統(tǒng)計學的重要概念。機器學習和數(shù)據(jù)科學開發(fā)者Niklas Donges簡要介紹了不同的數(shù)據(jù)類型，理解這些數(shù)據(jù)類型有助于對數(shù)據(jù)集進行恰當?shù)奶剿餍詳?shù)據(jù)分析（EDA）——機器學習項目最被低估的部分之一。

介紹

理解不同的數(shù)據(jù)類型，是探索性數(shù)據(jù)分析（Exploratory Data Analysis，EDA）所需的關(guān)鍵預(yù)備知識，同時也有助于你選擇正確的可視化方法。你可以將數(shù)據(jù)類型看成歸類不同類型變量的方式。我們將討論主要的變量類型，以及相應(yīng)的示例。有時我們會稱其為測量尺度（measurement scale）。

類別數(shù)據(jù)

類別數(shù)據(jù)（categrorical data）表示特性，例如一個人的性別，所說的語言，等等。類別數(shù)據(jù)同樣可以使用數(shù)值（例如：1表示雌性，0表示雄性）。

名目數(shù)據(jù)

名目值（nominal value）指用于標記變量的定性離散單元。你可以直接把它們想象成“標簽”。注意名目數(shù)據(jù)是無序的。因此，如果你改變名目值的順序，其語義并不會改變。下面是一些名目特征的例子：

性別：雌性、雄性。

語言：英語、法語、德語、西班牙語。

上面的性別特征也被稱為“二分（dichotomous）”值，因為它只包含兩個類別。

次序數(shù)據(jù)

次序值（ordinal value）指離散、有序的定性單元。除了有序之外，它幾乎和名目數(shù)據(jù)一樣。例如，教育背景可以用次序值來表示：

初中

高中

大學

研究生

注意，其實初中、高中之間的差別，和高中、大學之間的差別，是不一樣的。這是次序數(shù)據(jù)的主要限制，次序值之間的差別是未知的。因此，次序值通常用于衡量非數(shù)值特征，例如愉悅程度、客戶滿意度。

數(shù)值數(shù)據(jù)

離散數(shù)據(jù)

離散數(shù)據(jù)（discrete data）的值是不同而分散的，換句話說，只能接受一些特定值。這類數(shù)據(jù)無法測量但可以計數(shù)。它基本上用來表示可以分類的信息。例如，拋100次硬幣正面向上的次數(shù)。

你可以通過以下兩個問題檢查你處理的是否是離散數(shù)據(jù)：你可以對其計數(shù)嗎？它可以被切分成越來越小的部分嗎？

相反，如果數(shù)據(jù)可以測量但無法計數(shù)，那就是連續(xù)數(shù)據(jù)。

連續(xù)數(shù)據(jù)

連續(xù)數(shù)據(jù)（continuous data）表示測量。例如身高。

連續(xù)數(shù)據(jù)可以分為等距數(shù)據(jù)（interval data）和等比數(shù)據(jù)（ratio data）。

等距值指間隔相等的有序單元，也就是說，等距變量包含有序數(shù)值，并且我們知道這些數(shù)值之間的間隔。例如，用等距數(shù)據(jù)表示溫度：

-10

-5

0

+5

+10

+15

等距值的問題在于，它們沒有“真正的零”。拿上面的例子來說，0度不是絕對零度。另外，我們可以加減等距值，而不能乘除等距值或計算比率。由于沒有“真正的零”，無法應(yīng)用許多描述統(tǒng)計學或推論統(tǒng)計學的方法。

等比值具有等距值的所有特性，同時也有絕對的零。因此，不僅可以加減，還可以乘除。高度、重量、長度、絕對溫度等都屬于等比值。

數(shù)據(jù)類型為什么重要？

數(shù)據(jù)類型是一個非常重要的概念，因為統(tǒng)計學方法只能應(yīng)用于特定的數(shù)據(jù)類型。你需要使用不同的方式分析連續(xù)數(shù)據(jù)和類別數(shù)據(jù)。因此，理解你處理的數(shù)據(jù)的類型，讓你能夠選擇正確的分析方法。

下面我們將重新查看上面提到的每種數(shù)據(jù)類型，了解它們可以應(yīng)用什么樣的統(tǒng)計學方法。為了理解我們將討論的一些性質(zhì)，你需要對描述性統(tǒng)計學有所了解。如果你對此不熟悉，可以先看下我寫的描述性統(tǒng)計學介紹。

統(tǒng)計學方法

名目數(shù)據(jù)

處理名目數(shù)據(jù)時，你通過下述方式收集信息：

頻數(shù)在一段時間內(nèi)或整個數(shù)據(jù)集中出現(xiàn)的次數(shù)。

比例頻數(shù)除以所有事件的頻數(shù)之和，即可得到比例。

百分比我想這無需解釋了吧。

眾數(shù)出現(xiàn)次數(shù)最多，也就是頻數(shù)最高的數(shù)據(jù)。

可視化方法你可以使用餅圖或直方圖可視化名目數(shù)據(jù)。

左：餅圖；右：直方圖

次序數(shù)據(jù)

當你處理次序數(shù)據(jù)時，你可以使用以上用于名目數(shù)據(jù)的方法，不過，除此之外，你還可以使用一些額外的工具。也就是說，你可以使用頻數(shù)、比例、百分比、眾數(shù)概括次序數(shù)據(jù)，也可以使用餅圖、直方圖可視化次序數(shù)據(jù)。除此之外，你還可以使用：

百分位數(shù)計算由小到大排列的次序數(shù)據(jù)的累計百分位，某一百分位對應(yīng)的數(shù)據(jù)值就稱為這一百分位的百分位數(shù)。百分位數(shù)可以用來描述數(shù)據(jù)的離散趨勢。

中位數(shù)即第50百分位數(shù)，它將數(shù)據(jù)分為相等的上下兩部分。中位數(shù)可以用來描述數(shù)據(jù)的中間趨勢。例如，如果我們用次序數(shù)據(jù)表示星巴克咖啡的容量：中杯、大杯、特大杯。那么，其中位數(shù)為大杯（也就是說，真正的中杯是大杯）。

四分位距第75百分位數(shù)與第25百分位數(shù)之差即為四分位距。四分位距可以簡要概述數(shù)據(jù)的離散趨勢。

連續(xù)數(shù)據(jù)

大多數(shù)統(tǒng)計學方法都可以用于連續(xù)數(shù)據(jù)。你可以使用百分位數(shù)、中位數(shù)、四分位距、均值、眾數(shù)、標準差、區(qū)間。

你可以使用矩形圖或箱形圖可視化連續(xù)數(shù)據(jù)。從矩形圖上可以看到分布的中間趨勢、離散程度、形態(tài)和峰態(tài)。注意，矩形圖不體現(xiàn)離散值，因此我們有時使用箱形圖。

左：箱形圖；右：矩形圖

總結(jié)

本文討論了統(tǒng)計學中常用的不同數(shù)據(jù)類型。你了解了離散數(shù)據(jù)和連續(xù)數(shù)據(jù)的區(qū)別，以及什么是名目數(shù)據(jù)、次序數(shù)據(jù)、等距數(shù)據(jù)、等比數(shù)據(jù)。此外，你現(xiàn)在知道了每種數(shù)據(jù)類型可以應(yīng)用的統(tǒng)計學方法和可視化方法。如果你在給定數(shù)據(jù)集上進行探索性分析，你會發(fā)現(xiàn)這些非常有用。