第二章:认识数据
2.1 数据对象与属性类型
数据集由数据对象组成。一个数据对象代表一个实体。
数据对象用属性描述。
数据对象又称样本、实例、数据点或对象。
2.1.1 什么是属性
属性是一个数据字段,表示数据对象的一个特征。属性、维、特征和变量可以互换地使用。
2.1.2 标称属性
标称属性的值是一些符号或事务的名称。
- 例2.1.2 假设发色和婚姻状况是两个描述人的属性。发色可能是黑色、棕色、绿色、红色和白色。婚姻状况可能是单身、已婚、离异和丧偶。发色和婚姻状况都是标称属性。
考察标称属性最有意义的就是分析其众数(出现最多的值),这可以看出一种中心趋势。根据这种中心趋势,可以得出一些结论。如这个地方的人的头发颜色一般都是黑色,大部分人的职业都是工人等等。
2.1.3 二元属性
二元属性是一种标称属性,只有两个类别或状态:0或1,二元属性又称布尔属性。
2.1.4 序数属性
序数属性是一种属性,其可能得之间具有有意义的序或秩评定,对于记录不能客观度量的主管质量评估,序数属性是有用的。
2.1.5 数值属性
数值属性是定量的。
2.1.6 离散属性与连续属性
机器学习领域开发的分类算法通常把属性分成离散的或连续的。
2.2 数据的基本统计描述
对于成功的数据预处理而言,把握数据的全貌是至关重要的。基本统计描述可以用来识别数据的性质,凸显哪些数据值应该视为噪声或离群点。
有三类基本统计描述。
2.2.1 中新趋势度量:均值、中位数和众数
- 数据集“中心”的度量最常用、最有效的数值度量是(算术)均值。令 x1,x2,…,xN 为某数值属性X的N个观测值或观测。该值集合的均值(mean)为:
- 有时,对于i=1,2,…,N,每一个值xi可以与一个权重wi相关联,权重反应它们所依附的对应值的意义、重要性或者出现的频率。在这种情况下,我们可以计算:
这称做加权算术均值或加权平均。
为了抵消少数极端值的影响,我们可以使用截尾均值(trimmed mean):丢弃高低极端值后的均值。 - 对于倾斜(非对称)数据,数据中心的更好度量是中位数。中位数是有序数据值的中间值:一定是排序后的数列。它是把数据较高一半与较低一半分开的值。
- 众数是另一种中心趋势的度量。数据集中众数是集合中出现最频繁的值。
- 中列数(midrange)也可以用来评估数值数据的中心趋势。中列数是数据集的最大和最小值得平均值。
2.2.2 度量数据散步:极差、四分位数、方差、标准差和四分位数极差
- 极差、四分位数和四分位数极差
设x1, x2, …, xN 是某数值属性X上的观测的集合。该集合的**极差(range)**是最大值(max())与最小值(min())之差。
分位数(quantile)是取自数据分布的每隔一定间隔上的点,把数据划分成基本上大小相等的连贯集合。
四分位数:把数据分布划分成4个相等的部分。
百分位数:把数据分布划分成100个大小相等的连贯集。
第一个四分位数记作Q1,是第25个百分位数,它砍掉数据最低的25%。第三个四分位数记作Q3,是第75个百分位数,他砍掉数据最高的25%。
四分位数极差(IQR) = Q3 - Q1 - 五数概括
五数概括(five-number summary)由中位数(Q2)、四分位数(Q1) 和 (Q3)、最大最小观测值组成,按次序Minimum,Q1,Median,Q2,Maximum写出。 - 方差和标准差
方差和标准差都是反映了一组数据偏离平均值的程度(离散程度)。低标准差意味着数据观测趋于非常靠近均值,而高标准差表示数据散布在一个大的值域中。
2.3 数据可视化
数据可视化通过图形表示清晰有效地表达数据。
2.3.1 基于像素的可视化技术
基于像素的可视化技术,是一种可视化一维值的简单方法。
2.3.2 几何投影可视化技术
几何投影技术帮助用户发现多维数据集的有趣投影。主要挑战是设法解决如何在二维显示上可视化高维空间。
2.3.3 基于图幅的可视化技术
基于图符的可视化技术使用少量图符表示多维数据值。
2.3.4 层次可视化技术
层次可视化技术:对于大型高维数据集,很难同时对所有维可视化,层次可视化技术把所有维划分成子集,这些子空间按层次可视化。
2.3.5 可视化复杂对象和关系
标签云是用户产生标签统计量的可视化,在标签云中,标签通常按字母次序或用户指定的次序列举。
2.4 度量数据的相似性和相异性
评估对象之间相互比较的相似或不相似程度。簇是数据对象的集合,使得同一个簇中对象相互相似,而与其他簇中的对象相异。离群点分析也使用基于聚类技术,把可能的离群点看做与其他对象高度相异的对象。对象的相似性可以使用最近邻分类,对给定的对象基于它与模型中其他对象的相似性赋予一个类标号。
相似性与相异性都称邻近性(proximity),典型的,如果两个对象i和j不相似,则它们的相似性度量将返回0,相似性值越高,对象之间的相似性越大。
2.4.1 数据矩阵与相异性矩阵
本节讨论的对象被多个属性度量。假设我们有n个对象(如人、商品或课程),每个对象被p个属性(又称维或特征)刻画。这些对象是 x 1 = ( x 11 , x 12 , . . . , x 1 p ) , x 2 = ( x 21 , x 22 , . . . , x 2 p ) x_1=(x_{11},x_{12},...,x_{1p}),x_2=(x_{21},x_{22},...,x_{2p}) x1=(x11,x12,...,x1p),x2=(x21,x22,...,x2p),等等,其中 x i j x_{ij} xij是对象 x i x_i xi