数据类型与数据集的结构

1.数据来源

企业日益积累的大量数据（互联网公司更为显著）

政府掌握的各种数据

科研机构的实验数据

… …

2.数据类型

离散型数据：由记录不同类别个体的数目所得到的数据，又称计数数据，所有这些数据全部都是整数，而且不能再细分，也不能进一步提高他们的精确度。如：班级人数、进球个数、是否是某个类别等等

连续型数据：变量可以在某个范围内取任一数，即变量的取值可以是连续的，如：长度、时间、质量值、票房等，这类整数通常是非整数，含有小数部分。

注：离散型是区间内不可分，连续型是区间内可分

3.数据集的结构

3.1可用的数据集

Kaggle—特点：

1）大数据竞赛平台 2）真实数据 3）数据量巨大

UCI—特点：

1）覆盖科学、生活、经济等专业领域 2）数据量几十万

scikit-learn—特点：

1）数据量较小 2）方便学习

3.2数据集结构

数据集结构 = 特征值 + 目标值

特征值：相当于二维表中列索引的值

目标值：根据一系列特征要做的事情。如要根据一系列特征来判断目标是男还是女，则男/女为目标值。

4.数据中对于特征的处理

pandas:一个数据读取非常方便以及基本的处理格式的工具

sklearn:对于特征的处理提供了强大的接口