数据挖掘：认识数据

越来越多的人认识到，数据对这个世界的影响越来越大，掌握数据就掌握了发言权。如何从数据中找到想要的知识，是得到数据之后最需要关心的。数据挖掘，也是知识发现的过程。

1、理解数据

现实世界中，各行各业每时每刻都在产生数量庞大的数据集，让人眼花缭乱，应该怎样理解和处理数据呢？
数据集由数据对象组成，一个数据对象代表一个实体，也可称样本、实例、数据点或者对象。那么，该如何刻画这些数据对象呢？一般在数据仓库范围使用术语“维”，在机器学习领域使用术语“特征”，在统计学领域使用“变量”。这些术语，和“属性”一样，都是样本的一个数据字段，可以互换使用。比如，在学生信息数据库中，每一个学生都是一个数据对象，而学生的各类基本信息都可以用来标识这个学生，如身高、体重、年龄、生日、家庭住址等等，这些都属于特征。

2、数据对象类型

数据对象的类型不一样，表现形式也不同。大体有这么几类，如数值型、文本型、图像、声音等等。现在随着数据越来越复杂，混合型数据也越来越多。如医学检查中既有文本，也存在数值；医疗影像中，既有图像、文本，也会有数值等等。数据类型不同，处理方式也会不同，不能一概而论。

3、属性类型

数据对象由属性来刻画，那么属性有哪几种类型呢？属性类型的判断是根据属性的值的形式决定的，一般分为二元、标称、序数和数值。

3.2.1、二元属性

二元，即0和1，在计算机中使用非常广泛，在这里形容一个属性，只能在两种状态中选择一个，如男或女，是否抽烟，是否生病等等。二元属性分对称和非对称。如果是对称的，就是指这两种状态，发生任何一种概率是相同的，比如男女，理论上婴儿是男或者女的概率差不多；如果是非对称的，就是说两种状态的发生概率明显不同，如是否患口腔癌，社会上口腔癌患者比例还是远低于正常人比例。一般使用1对稀有状态进行编码，0对常见状态进行编码，在是否患口腔癌属性上，患病为1，正常为0。

3.2.2、标称属性

标称，“与名称相关”，标称属性的值是一些符号或事物的名称，因此，标称属性没有意义。简化的理解，就是从有限的离散数据中取值。举例来说，头发颜色有黑、白、黄、棕等等，这是有限的离散值；学生的学号，可以从1排到200，这也是有限的离散值。
标称属性值可以进行编码，但是编码之后也不能赋予它数值上的意义。如头发颜色黑=1，白=2，黄=3，棕=4，那么2-1并不能说明什么。另外，对1234几种颜色，求他们的中位数或者平均值也不能说明什么，如平均值为2.1，能说明什么呢？但是众数还是有意义的，但是众数跟编码数值并没有关系。

3.2.3、序数属性

序数属性跟标称属性有点类似，都是从有限的离散值中取值，他们的不同在于序数属性的值是有意义的。
比如，食堂饭菜调查，1=非常满意，2=满意，3=还行，4=不满意，那么平均值为1.3，说明食堂饭菜还是得到了大多数人的认可。

这里也可以看出。二元、标称和序数三种属性，是定性的，他们的值一般是代表类别的，是可编码的。

3.2.4、数值属性

数值属性跟上述三种属性不同，它是定量的，是可以通过科学手段，或者是社会常识进行标定的，包括离散型和连续型。
离散型：比如电子病历数据集，字符数属性的值就是离散的；银行的个人信息数据集，个人资产属性值也是离散的。
连续型：一般连续型数值采用浮点变量表示，但是实际过程中，大多数连续型数值并不会对整体数据都太大影响，所以会采用离散值代替。如此时气温，根本采集不到最准确的，就会小数点后取一位就可以了，如23.4度。

4、总结

在拿到数据集的时候，首先分析数据集中有多少子数据集，然后对每个子数据集进行分析，看有多少数据对象，每个数据对象有多少属性。只有完成这些工作，才可以说是对数据集有了整体掌握，才可以进行下一步的数据工作。