1.2　矩形数据

在数据科学分析中，典型的引用框架是矩形数据对象，比如电子表格或数据库中的表。

矩形数据是一个通用术语，表示二维矩阵，其中行表示记录（事例），列表示特征（变量）。数据框是 R 和 Python 中矩形数据的一种具体形式。数据并不总是以这种形式开始的，非结构化数据（比如文本）必须经过一些处理，使得它们可以表示为矩形数据中的一组特征（参见 1.1 节）。对于多数数据分析和建模任务，关系数据库中的数据必须被提取出来并放到一个单独的表格中。

本节关键术语

数据框

　矩形数据（比如一个电子表格）是统计模型和机器学习模型的基本数据结构。

特征

　表格中的一列通常称为一个特征。

　同义词

　　 属性、输入、预测器、变量

结果

　很多数据科学项目需要预测一个结果，通常是“是”或“否”（在表 1-1 中，就是“拍卖是否需要竞价”）。在实验或研究中，有时会使用特征来预测结果。

　同义词

　　 因变量、响应、目标、输出

记录

　表格中的一行通常称为一条记录。

　同义词

　　 事例、示例、实例、观测、模式、样本

表1-1：一个典型的数据框格式

在表 1-1 中，既有测量数据或计数数据，如持续时间（Duration）和价格（Price），也有分类型数据，如类别（Category）和货币（Currency）。正如前面说过的，分类变量的一种特殊形式是二元变量（是/否或 0/1）。表 1-1 中最后一列就是二元变量，它是一个指示变量，表示拍卖是竞价的（有多个出价人）还是非竞价的。在预测拍卖是否竞价的情形中，这个指示变量恰好也是一个结果变量。