数据挖掘(二) 认识数据

要进行数据挖掘，首先我们要知道什么是数据、数据集，有哪些数据类型

数据集：

　　在数据库中，我们存储的一个数据库表（table）就是一个数据集，数据表的每一行就是一个数据对象（就是一条信息），数据表的列就是数据的属性（用来解释每一个数据代表什么含义）

数据（属性）类型：

标称：

　　标称类型的数据与该数据的名称（就是上文中的数据属性）有关，它的值是一些符号或是事物的名称。数据值代表某种类别、编码或状态，因此标称属性又被看作是分类的，这些数据值不具有有意义的序，在计算机科学中，这些值也被看做是枚举的。在标称属性上，数据运算是没有意义的。

　　e.g：头发颜色 = {黑色，棕色，金色，红色，灰色，白色}；婚姻状况 = {已婚、未婚、离婚}；职业；身份证号；邮政编码

二进制：

　　二进制类型的数据也是一种标称数据，只不过它只有0和1两个值。

　　e.g：性别 = {0(表示男)，1(表示女)}，新型冠状病毒肺炎测试 = {0(阴性), 1(阳性)}

序数：

　　序数类型的数据，其可能只具有有意义的序或评定(ranking)，但是相继值之间的差是未知的，具有先后顺序。（价值观上有一个有意义的顺序（排名），但不知道连续值之间的大小）序数类型的数据可以通过把数值量的值域划分成有限个有序类别，把数值属性离散化而得到。序数属性的中心趋势可以用它的众数和中位数(有序序列的中间值)表示,但不能定义均值

　　e.g：大小 = {小，中，大}，等级，排名

区间标度：

　　区间标度属性：用一单位长度顺序性度量，值有序（比如温度、日历等），不存在0点，倍数没有意义，比如我们平常通常不说2000年时1000年的2倍

　　e.g：年份等

比率标度：

　　具有固定零点的数据类型，可以进行数值运算

　　e.g：长度、重量等

小结：

PS：离散属性 VS 连续属性

离散属性：有限或无限可数个值，常表示为整数变量，二元属性时离散属性的特例

　　　　　e.g：邮政编码，计数

连续属性：属性值为实数。实践中，实数只能用有限位数字的数度量和表示，两虚属性一般用浮点变量表示

　　　　　e.g：温度、高度、重量