第3章-探索数据.pptVIP

例：鸢尾花数据集（续） 该数组可以显示为三个二维表切片，每个对应一个种类 数据立方体 从多维角度看待数据的主要动机就是需要以多种方式聚集数据。 数据立方体是数据及其所有可能的聚集的多维表示。 数据立方体（例） 考虑一个数据集 记录在不同日期的产品销售情况。 数据可以表示为一个3维阵列：产品ID、地点和日期 目标属性是收入。 维归约和转轴 聚集可以看作一种形式的维归约。 转轴( pivoting) 是指在除两个维之外的所有维上聚集。 结果是一个二维交叉表，只有两个指定的维作为留下的维。 切片和切块 切片(slicing) 是通过对一个或多个维指定特定的值，从整个多维数组中选择一组单元。 切块(dicing) 通过指定属性值区间选择单元子集 上卷和下钻 考虑最初的销售数据，它是多维数组， 记录每天的销售。 按月聚集（上卷， roll up) 销售数据 将月销售总和分解（下钻， drill down ) 成日销售总和 问题 问题 * 可视化技术:直方图 直方图(Histogram) 通常显示单个变量值的分布 将值划分为箱，并显示每个箱中对象数的条形图. 每个条的高度表示对象的数目 直方图的形状取决于箱的计数 Example: Iris数据集萼片长度\宽度, 花瓣长度\宽度的等宽直方图(10bins) 直方图(续) 二维直方图（two-dimensional histogram） 显示两个属性值的联合分布 例: Iris数据集的花瓣长度和花瓣宽度的二维直方图 可视化技术:盒图 盒状图 由J. Tukey提出 是显示数据分布的另一种方法 Iris数据集萼片长度盒状图 outlier 10th percentile 25th percentile 75th percentile 50th percentile 90th percentile 盒图(续) 盒图可以用来进行属性比较 盒图(续) 使用盒状图来比较不同对象类之间的属性如何变化 可视化技术:饼图 饼图（pie chart） 类似于直方图，但通常用于具有相对较少的值的分类属性 饼图使用圆的相对面积显示不同值的相对频率 例: Iris数据集鸢尾花的类型分布 可视化技术:累计分布函数 累计分布函数(cumulative distribution function, CDF) 对于统计分布的每个值/每个观测值, 显示点小于该值的概率 经验累计分布函数是一个阶梯函数 Iris数据集 萼片长度\宽度, 花瓣长度\宽度 可视化技术:散点图 散点图(Scatter plots) 使用数据对象两个属性的值作为x 和y 坐标值 2维散点图最常见, 也有3维散点图 更多的属性可以用代表对象的标记的大小、形状和颜色等显示 散点图阵列可以简洁地总结几对属性之间的关系 用途 它们图形化地显示两个属性之间的关系 当类标号给出时，可以使用散布图考察两个属性将类分开的程度 试用直线或简单曲线把平面分成相对纯的两部分 散点图:例 例: Iris数据集的散点图矩阵 许多属性对（例如，花瓣宽度和花瓣长度）都提供了适度的鸢尾花种类分隔 散点图:显示3个属性 显示3个属性有两种方法 方法1: 三维散点图 例, Iris数据萼片宽度、萼片长度和花瓣宽度的三维散点图 散点图:显示3个属性(续) 方法2: 用二维散点图 把第3个属性与标记的某种特性（如大小、颜色或形状）相关联 例: Iris数据集花瓣长度对花瓣宽度的散布图，标记的大小指示萼片宽度 时间空间数据:等高线图 等高线图 (Contour plots) 连续属性在空间栅格上的观测值的集合 把平面划分成相似的值区域 区域边界的轮廓线是由值相等的点连接而成 最常见的例子：地面位置的海拔高度的等高线图 还可以显示温度、降雨量、气压等 等高线图:例 1998年12月份平均海洋表面温度（SST）的等高线图 地面温度被随意的设定为0?C Celsius 时间空间数据:曲面图 曲面图（surface plot）使用两个属性表示x和y坐标，曲面图的第三个属性用来指示高出前两个属性定义的平面的高度 要求至少某个范围内，对于前两个属性值的所有组合，第三个属性的值有定义 适合规则曲面 例：12个点的密度函数 时间空间数据:低维切片 记录不同地点和时间上的某种量 ----涉及4个维 例：1982年12个月海平面气压 可视化高维数据:矩阵 基本思想 图像可以看作像素的矩形阵列, 其中每个像素用它的颜色和亮度刻画 数据矩阵是值的矩形阵列 将数据矩阵的每个元素与图像中的一个像素相关联, 就可以把数据矩阵看作图像, 像素的亮度和颜色由矩阵对应元素的值决定 实践考虑 如果类