数据相关知识总结

数据挖掘中的数据我们不叫它数据，而是把它叫做数据对象和数据集，联想一下你的购物单，数据对象就是一行一行的物品信息，而所有行数据对象构成数据集。

数据对象具有价值，这里的数据对象通常是使用多个属性来描述的数据，就像一个人有四肢和头组成一样。属性是数据存在的依托。

有了属性，属性天生多样，所以为了方便需要对其划分类型：标称、序数、区间、比率（按照相异性、序、加法、乘法是否有意义区分，当然划分的方法也不只有这一种，还有离散与连续，对称与非对称等等）。前两个（标称、序数）统称为定性的属性或分类的，而后两个称为定量的或数值的。

数据对象组成数据集，数据集同样有它的属性（我们不叫它属性，叫它特性），它具有维度、稀疏性、分辨率三者。

数据集也有它的类型，当然它是由数据对象组成，所以它的类型与数据对象有关：

• 如果数据对象是一条条记录，每个记录包含固定的属性集，数据集是记录的集合，这就是记录数据。
• 如果数据对象具有结构，这样的对象用图表示，则就是基于图形的数据。
• 如果数据对象的属性，具有涉及空间或时间序的联系，则可以成为有序数据。

数据作为构造模型的原材料，质量问题必然很关键。
谈到数据质量，就要谈一谈数据可能会有哪些误差，以及如何测量数据的质量。
我们必须要知道，收集数据的过程中会出现问题的环节是很多的

• 测量时的误差——测量误差
• 数据收集时的误差——数据收集误差
• 硬件故障等难以解释导致出现的无意义数据，会干扰数据分析
• 伪像，确定性的失真

另外还有一些最后显得不一样的数据。

• 离群点 异类，但是有时也是宝藏， 具有不同于其他大部分数据对象的数据特征。
• 遗漏值，与其他数据对象相比遗漏了一个或多个属性。解决方法

1. 删除数据对象或属性，直接删，不废话
2. 估计遗漏值，缝缝补补再用用
3. 在分析时忽略遗漏值，选择性跳过

• 不一致的值，很突兀，明显违背常理。
• 重复的值。