探索数据——数据可视化

位置度量：均值和中位数

对于连续数据，最广泛使用的是均值和中位数，他们是值集位置的度量。

为了克服传统均值定义的问题，又是使用截断均值的概念。指定0和100之间的百分位数p，丢弃高端和低端（p/2）%的数据，然后用常规方法计算均值，所得的结果即是截断均值，而标准均值是对应于p=0%的截断均值。

散布度量：极差和方差

绝对平均偏差（AAD）、中位数绝对偏差（MAD）、四分位数极差（IQR）

 对于多元数据，每个属性的散布可以独立于其他属性。对于具有连续变量的数据，数据的散布更多的用协方差矩阵（covariance matrix）S表示，其中，S的第ij个元素sij是数据的第i个和第j个属性的协方差。这样，如果xi和xj分别是i个和第j个属性，则

 xki和xkj分别是第k个对象的第i个和第j个属性的值。

可视化

快速吸取大量可视化信息，并发现其中模式。

一般概念：

1. 表示：将数据映射到图形元素
2. 安排：正确选择对象和属性的可视化表示是基本的要求。
3. 选择：删除或不突出某些对象和属性。

 技术：

1.少量属性的可视化：茎叶图

 

 

直方图：相对频率直方图、Pareto直方图、二维直方图

盒状图

 

 

饼图

百分位数图和经验累计分布函数（ECDF）

 

 

散布图、散布图矩阵

可视化事件空间数据：

等高线图

曲面图

矢量场图

 

低维切片

动画

可视化高维数据：

矩阵

平行坐标系

 

 星形坐标和Chernoff脸

 

OLAP和多维数据分析

分析多维数据：

1. 数据立方体：计算聚集量
2. 维归约和转轴
3. 切片和切块
4. 上卷和下钻