1.1　结构化数据的要素

数据可以来自多种数据源：传感器测量、事件、文本、图像和视频，物联网（Internet of Things，IoT）则源源不断地喷涌出大量信息。多数数据是非结构化的。图像是一组像素，每个像素中都包含 RGB（红、绿、蓝）颜色信息。文本是一个由单词和非单词字符组成的序列，通常分为节、小节，等等。点击流是用户在与 app 或网页进行交互时产生的一个操作序列。实际上，数据科学的一个主要挑战就是将原始数据转化为可以操作的信息。要使用本书中介绍的统计学概念，就必须通过各种处理和操作，将非结构化的原始数据转换为结构化形式。结构化数据的一种最常见的形式就是带有行和列的表，比如关系数据库中的数据，或者为某项研究而收集的数据。

结构化数据有两种基本类型：数值型与分类型。数值型数据有两种形式：连续型，比如风速和持续时间；离散型，比如某个事件的发生次数。分类型数据只能在一个固定集合中取值，比如电视屏幕类型（等离子、LCD、LED 等）或州的名称（阿拉巴马、阿拉斯加等）。二元数据是分类型数据的一种重要特例，它只能在两个值之间任取其一，比如 0/1、是/否，或真/假。另一种有用的分类型数据是定序数据，其中的类别是有一定顺序的，例如数值评分（1、2、3、4 和 5）。

我们为什么要关心数据类型的分类呢？事实证明，对于数据分析和预测性建模，数据类型在帮助确定可视化、数据分析以及统计模型的类型方面有重要作用。实际上，像 R 和 Python 这样的数据科学软件就是在使用这些数据类型来提高计算性能。更重要的是，变量的数据类型决定了软件如何计算这个变量。

本节关键术语

数值型数据

　在一个数值范围内进行表示的数据。

　连续型数据

　　可以在一个区间内任意取值的数据。

　　同义词

　　　 区间数据、浮点数据、数值数据

　离散型数据

　　只能取整数值的数据，比如计数。

　　同义词

　　　 整数数据、计数数据

分类型数据

　只能从一组特定值中取值的数据，这些值表示一组可能的分类。

　同义词

　 　枚举数据、因子、名义数据

　二元数据

　　分类型数据的一种特殊情况，它只有两个类别值，例如，0/1、真/ 假。

　　同义词

　　　 二分类数据、逻辑数据、指示型数据、布尔型数据

　定序数据

　　具有明确排列顺序的分类型数据。

　　同义词

　　　 有序因子

软件工程师和数据库程序员可能会奇怪：为什么需要在分析中使用分类型数据和定序数据这两个概念？毕竟，类别只是一组文本值（或数值），底层数据库会自动处理它们的内部表示。然而，将数据明确地标识为分类型，使其区别于文本数据，确实有如下好处。

• 如果知道数据是分类型的，可以将其作为一种信号，告诉软件如何使用统计过程（如生成图表或拟合模型）。具体而言，在 R 中，定序数据可以表示为一个 ordered.factor，在图形、表格和模型中都可以保持由用户确定的固定顺序。在 Python 中，scikit-learn 可以使用 sklearn.preprocessing.OrdinalEnconder 来支持定序数据。
• 可以对存储和索引进行优化（就像在关系数据库中那样）。
• 在软件中，如果给定一个分类变量，那么它的可能取值就被限定了（比如枚举类型）。

第三条“好处”可能会导致一些出人意料的行为：在 R 中，数据导入函数（如 read.csv）的默认行为是自动地将文本列转换为 factor。在这个列上的后续操作会假定该列的值只能是初始导入的那些值，所以如果向该列分配一个新的文本值就会触发一条警告，并生成一个 NA（缺失值）。Python 中的 pandas 包不会自动地进行这种转换，不过，你可以在 read_csv 函数中明确指定某一列为分类型数据。

本节要点

• 数据通常通过类型在软件中进行分类。
• 数据类型包括数值型（连续型、离散型）和分类型（二元数据、定序数据）。
• 软件中的数据类型可以作为一种信号，告诉软化如何处理这种数据。