数据属性简明教程.docxVIP

数据属性简明教程 导读：本文主要讨论数据属性的一般分类。 01结构化与非结构化数据 某些数据集具有很好的结构性，就像数据库中的数据表或电子表程序中一样。而其他的数据以更多样的形式记录着有关世界状况的信息。它们可能是像维基百科这样包含图像和超级链接的文本语料库，也可能是个人医疗记录中出现的复杂的注释和测试结果的混合数据。 数据通常由一个矩阵表示，矩阵的行表示不同的条目或记录，列则表示这些条目的不同属性特征。例如，关于美国的城市数据集中每一行代表一个城市，每列则代表州、人口和地区等特征。 当面对一个非结构化数据源时（例如一组来自Twitter的推文集合），我们通常首先要构建一个矩阵以使这些数据结构化。词袋模型可以构建一个矩阵，每条推文对应矩阵中的一行，每个常用词汇对应矩阵中的一列。矩阵项M[i, j]则表示推文i中单词j出现的次数。 02定量数据与类别数据 定量数据由数值组成，如高度和重量。这些数据可以被直接带入代数公式和数学模型，也可以在传统的图表中进行表示。 相比之下，类别数据则由描述被调查对象属性的标签组成，如性别、头发颜色和职业。这种描述性信息可以像数值型数据一样精确而有意义，但不能使用相同的方法进行处理。 类别数据通常可以进行数字化编码。例如，性别可以表示为男=0或女=1。但如果每个特性包含两个以上字符，尤其当它们之间没有隐序时，事情会变得更加复杂。我们可以对头发的颜色进行