数据
四个问题
- 数据类型(用什么类型,用什么工具)
- 数据质量(噪声,离散点,缺失值,异常点,重复)
- 预处理(提高数据质量,使数据可以被特定的工具处理)
- 相似性和距离度量
本节大纲
- 关于数据的基本概念
- 如何用统计学方法描述数据
- 数据可视化
- 度量数据之间的相似性和距离
基本概念
- 数据集
特性:维度,稀疏程度
类型:结构化记录,图像,时间序列数据
- 属性
种类:分类数据(Categorical),数值型/量化数据(Quantitative),离散、连续
统计学描述
- Mean, 均值
- 加权均值
- Median, 中位数
- Mode, 众数
- Midrange, 中列数 =
(min + max) / 2
对称性
- Skewness, 倾斜程度 = Mean - Mode, Skewness
Skewness = 0, 对称, Symmetric
Skewness > 0, 均值大于众数, 正向倾斜, Positively skewness
Skewness < 0, 均值小于众数, 负向倾斜, Negatively skewness
Divergence, 差异性
- Q 分位数(有序序列, %)
Q0 = min, Q1 = 25%, Q2 = 50%(中位数), Q3 = 75%, Q5 = max
- Boxplot 盒子图, 实线盒子的上中下边界是 Q3, Q2, Q1, 虚线上下边界是 max, min
- 方差, Variance
- 标准差, standard deviation = sqrt(variance)
可视化, Visualization
- 更加方便直观地体验数据,观察趋势,相关性
- 直方图
不同的颜色 --- 不同类别
不同的高度,宽度 --- 数量
- 散点图
To describe whether there are relationships, patterns or trends between two numerical variables, 揭示两个变量之间是否存在关联
正相关,负相关,不相关
- 高维数据
很难同时展示所有维度的数据
分层展示,树形结构
- 非数值型数据
文本:标签,词云,大小颜色
图:结点的颜色,大小,边的粗细
距离度量
- 街区距离,曼哈顿距离
- 欧式距离,欧几里得距离
- 闵可夫斯基距离, Minkowski Distance
p = 1 时 变成街区距离, p = 2 时变成欧式距离
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。