[人工智能]《深入浅出数据科学》笔记

如何听起来像数据科学家

什么是数据科学

数据是指有组织和无组织格式聚集在一起的信息

1. 有组织数据：指以行列结构分类存储的数据，每一行代表一个观测对象，每一列代表一个观测特征。
2. 无组织数据：指以自由格式存储的数据，通常指文本、原始音频/信号和图片等。这类数据必须进行解析才能成为有组织的数据。

数据科学韦恩图

理解数据科学需要从3个领域开始

• 数学/统计学：指使用方程和公式进行分析
• 计算机编程：指通过代码用计算机生成结果
• 领域知识：指理解问题所处的领域（医学、金融、社会科学）

数据的类型

数据是信息的集合

数据的分类方式

• 结构化和非结构化
• 定量和定性
• 数据的4个尺度

结构化数据和非结构化数据

判断方法：

• 结构化数据：指特征和观察值以表格的形式存储（行列结构）
• 非结构化数据：指数据以自由实体形式存在，不符合任何标准的组织层次结构，比如行列结构

文本信息的预处理

描述文本特征的数据

• 字数/短语数
• 特殊符号
• 文本相对长度
• 文本主题

大多数机器学习需要数值型数据

定量数据和定性数据

定量数据和定性数据的含义如下：

• 定量数据：通常用数字表示，并支持包括加法在内的数字运算
• 定性数据：通常用自然类别和文字表示，不支持数字格式和数字运算

案例

数据：咖啡店

• 咖啡店名称
• 营业额（单位：千元）
• 邮政编码
• 平均每月的客户数
• 咖啡产地

分析

• 咖啡店名称：定性数据

咖啡店名称无法用数字表示，且咖啡店名称不能进行数学运算

• 营业额（单位：千元）：定量数据

营业额可以用数字表示，且营业额支持简单的数学运算，如将12个月营业额相加可得到1年的营业额。

• 邮政编码：定性数据

虽然邮政编码通常由数字表示，但它是定性数据，因为邮政编码不符合定量数据的第二个要求----支持数学运算。两个邮政编码相加得到一个没有意义的数字，而不是新的邮政编码

• 平均每月的客户数：定量数据
• 咖啡产地：定性数据

结论：

• 大部分情况下，当字段值为文本时，该字段都是定性数据
• 有些字段用数字表示，但并不是定量数据（如邮政编码），因为对该字段求和或求平均值，得到的结果没有任何意义

字段分析内容

定量数据列

• 字段平均值是多少
• 随着时间的推移，字段值是增加还是减少
• 是否存在某个阈值，当字段值超过或低于阈值，表示公司在某方面出现了异常

定性数据列

• 高频值和低频值分别是什么
• 字段有多少重复值
• 非重复值分别代表什么

深入研究

定量数据还可以继续细分为离散型数据和连续型数据

• 离散型数据：通常为计数类数据，取值只能为自然数或整数

比如：掷色子的点数属于离散型，色子的点数只有六个值。

• 连续型数据：通常为测量类数据，取值为无限范围区间

比如：体重可以是68kg，也可以是89.6kg，注意小数点，时间和温度同样属于连续型

数据的4个尺度

通常情况下，结构化数据的每一列都可以被归为以下四个尺度中的一个，分别是：

1. 定类尺度
2. 定序尺度
3. 定距尺度
4. 定比尺度

随着尺度的深入，数据的结构化特征也将越来越多，也更有利于分析。每个尺度都有适用于自身的测量数据中心的方法。

定类尺度

定类尺度，主要指名称或者类别数据，如性别，国籍等。它们无法用数字表示。

适用的数学运算

1. 等式
2. 集合隶属关系

测度中心

测度中心是一个描述数据趋势的数值，有时也被称为数据平衡点。常见的测度中心有平均值、中位数和模。

定类尺度的数据有何特征

定类尺度数据既不能排序，也无法相加，因此中位数和平均数不能作为它的测度中心

定序尺度

李克特量表是最常见的定序尺度数据。当我们用1_{10填写满意度调查问卷时，生成的结果是定序尺度数据。调查问卷答案必须介于1}10，并可以被排序，比如8分比7分好。

适用的数学运算

1. 等式
2. 集合隶属关系
3. 排序
4. 比较

测度中心

定序尺度通常用中位数，而不是平均值表示测度中心，因为定序尺度不支持除法。

定距尺度

适当的数学运算

1. 等式
2. 集合隶属关系
3. 排序
4. 比较
5. 加法
6. 减法

测度中心

对于定距尺度数据，我们依然可以用中位数和模来表示数据的测度中心，但更加准确的方法是用算术平均数，通常称为均值

变差测度

在数据科学中，我们知道测度中心的重要性，了解数据分布的广度同样重要。

变差测度（比如标准差）是一个描述数据分散程度的数字。变差测度和测度中心是描述数据集最重要的两个数字。

标准差

标准差是定距尺度和更高尺度数据中应用最为广泛的变差测度。标准差可以理解为“数据点到均值点的平均距离”。

计算标准差公式的步骤：

1. 计算数据的均值
2. 计算数据集中的每一个值和均值的差，并将其平方
3. 计算第2步的平均值，得到标准差
4. 对第3步得到的值开平方，得到标准差

定比尺度

定比尺度的比值一般不为负数

适当的数学运算

1. 等式
2. 集合隶属关系
3. 排序
4. 比较
5. 加法
6. 减法
7. 乘法
8. 除法

测度中心

算数平均值对定比尺度仍然有效，同时还增加一种叫几何平均值的新均值类型，后者在定比类型中并经常适用，它是指n个观察值连乘积的n次方根。

几何平均值计算公式：

$\sqrt[n]{{\prod }_x^n}$

数据科学的5个步骤

数据科学和数据分析

两者的最大不同在于数据科学严格遵循结构化，一步一步的操作过程，保证了分析结果的可靠性

5个步骤预览

1. 提出有意思的问题
2. 获取数据
3. 探索数据
4. 数据建模
5. 可视化和结果分享

提出有意思的问题

学会多提问题并记录下问题。不要关心回答这些问题所需的数据是否存在。这样做的原因有两个：

1. 你不会希望在没有找到数据之前，就被自己的偏见影响。
2. 获取数据可能涉及公开渠道和私有渠道，因此不会轻松和显而易见。

获取数据

一旦确定需要关注的问题，接下来就需要全力收集回答上述问题所需要的数据。数据可能需要多个数据源。

探索数据

数据建模

涉及统计学和机器学习模型的应用。不仅仅选择模型，还通过在模型中植入数学指标，对模型效果进行评价。

可视化和结果分享

分析结果看起来非常明显和简单，但将其总结为他人易于理解的形式比看起来困难的多。

探索数据

基本问题

我们接触新数据集时，有5个基本问题需要回答。这些问题不是数据科学的起点和终点，它们时我们面对新数据集时需要遵循的基本原则。

• 数据时有组织模式还是无组织模式
• 每一行代表什么
• 每一列代表什么
• 是否有缺失值？如何处理缺失值？
• 是否需要对某些列进行数据转换

自始至终，核心问题是，我们能从前期的推理统计中得到哪些信息。

定性数据的探索（Python）

定类尺度列

describe函数用于输出指定列的快速统计信息

当describe函数作用于定性数据时，我们将得到4个统计信息