数据挖掘（3）

属性：attribute
属性分类：
标称属性：定义：与名称相关
此属性的值是一些符号或事物的名称。每个值代表某种类别、编码或状态，因此标称属性又被看成是分类的。这些值没有大小顺序。
注意：标称属性的数学运算没有意义，尽管一个标称属性可以取数值，但是也不能把它视为数值属性，因为分析中并不打算定量地使用这些整数。

二元属性
是一种特殊的标称属性，只有状态0和1，其中0常表示该属性不出现，而1表示出现。如果两种状态对应于true和false的话，此属性又称布尔属性
对称二元就是权重各占五成

序数属性：例如成绩优良中差 常用于评级调查
可以把数值属性离散化得到该属性

分析：
众数（mode），中位数（median），平均数
技巧 对于适度倾斜（非对称）的单峰数值数据，平均数减众数约等于三倍的平局数减中位数
中列数：用来评估数值数据的中心趋势
最大值和最小值的平均数
正倾斜 众数<中位数 负倾斜 众数>中位数

度量数据离散趋势
极差 range=max-min

分位数
定义：第p个百分位数，至少有p%的数据项小于或等于这个值，且至少有（100-p）%的数据项大于或等于这个值
计算方法
递增排序，计算位置的指数i=（p/100）n，如果i不是整数，将其向上取整，如果i是整数，则p分位数为第i项和第i+1项的数据平均值
四分位极差
定义：第一个和第3个四分位数之间的距离
公式：IQR=Q3-Q1
特点：该距离是散步的一种简单变量，能够克服极端值的影响

分布的五数概括（five-number summary）：
中位数（Q2）、四分位数Q1和Q3、最小和最大观测值
排序:按次序min，Q1，median，Q3,max写出

识别可疑离群点的通常规则：如果数值落在第3个四分位数之上或者第1个四分位数之下至少1.5xIQR处的值，则被看成可疑的离群点

箱线图：又称盒图
作用是体现五概括数
特征：在盒图中，第一个四分位数和第三个四分位数确定了盒子的底部和顶部
盒子中间的粗线就是中位数所在的位置
由盒子向上向下伸出的垂直部分称为触须，表示数据散步范围，通常最远点是1.5IQR

一个观测值一般不会远离均值超过标准差的数倍
变异系数等于标准差和均值的比值再乘以100

条形图、直方图

可视化（visualization）是将抽象的数据表示为视觉图像的技术