数据挖掘及应用--课程笔记（二）认识数据

一、数据与属性

属性：数据的字段/维度，说明数据内容含义。

数据属性：（1）属性说明（2）取值说明（3）单位量纲

属性分类：（1）标称属性（2）二元属性（3）序数属性（4）数值属性

1. 标称属性

• 数值计算没有意义，如01表示汉族，02表示满族，03表示回族，相加没有意义。

2. 二元属性

• 对称的二元属性：两个状态有相同价值，相同权重。
• 不对称的二元属性：两个状态的重要性不同，如HIV阳性和HIV阴性，阴性数量远远小于阳性，出现概率不一样。

3. 序数属性

• 属性之间有顺序关系。如，讲师、副教授、教授。
• 可以比较，但不能表达差异大小。例如，教授-副教授的差与副教授-讲师的差，很难比较。本科-高中，高中-初中，不知道差异大小。
• 可以用于连续数值的离散化。

上述三种属性都是定性，不是定量。

4. 数值属性

• 定量的，可以算
• 有些时候不能直接算，要做一些处理之后再算。例如，月入8000和月入2000的差别，如果直接除法则是4倍。如果（8000-1500）/（2000-1500）则是另外一种情况。

二、属性度量

• 数据矩阵 ：也叫二模矩阵。
• 相异度矩阵：也叫单模矩阵。存储实体间的差异，对角线是自己与自己的差异，为0。
• 相似性与相异度计算

1. 属性拆分

例如：身份证可以拆分成：省份、城市、生日等，进一步可以推断出是南方人还是北方人、星座是什么等。

2. 区间标度变量

课件PPT中有大量细节算法思路，此处不赘述。

三、基本统计描述

• 总量描述
• 中心趋势描述

四、数据可视化