一、資料物件與屬性型別

1、屬性： 一個數據欄位，表示資料物件的一個特徵。（屬性（資料探勘和資料庫人員使用）、維（資料倉庫）、特徵（機器學習）、變數可以互換實用（統計學家使用）） 2、標稱屬性：標稱意味著“與名稱相關”；標稱屬性的值是一些符號或失誤的名稱。每個只代表某種類別、編碼或者狀態，因而標稱屬性又被堪稱是分類的。例如，人的屬性->頭髮顏色（黑、白、棕、紅、黃...）和婚姻狀況（未婚、已婚、離異...）屬於標稱屬性。其實也就是列舉的屬性。     標稱屬性值可以用數字表示，如1，2，3等；但是這些值並不具有有意義的序，並且不是定量的，因而這種屬性的均值、中位數是沒有意義的。眾數是有意義的。

3、二元屬性：是一種標稱屬性，只有兩種類別（狀態）：0和1，通常0表示該屬性不出現，1表示出現。又稱為布林屬性（true 和 false）。     二元屬性又分對稱的和非對稱的： 對稱指兩種狀態具有同等價值且相同的權重，如性別（男、女）；非對稱是指狀態的結果不是同樣重要的，如病毒化驗結果（陽性、陰性）。 4、序數屬性：其可能的值之間具有有意義的序或秩評定，但是相繼值之間的差是未知的。序數屬性通常用於等級評定調查。 標稱、二元和序數屬性都是定性的，他們描述物件的特徵，而不給出實際大小或數量。定性屬性的值通常是代表類別的詞。 5、數值屬性：是定量的，他是可度量的量，用證書或實數值表示

，數值屬性可以是區間標度的或比率標度的。     區間標度屬性：屬性用相等的單位尺度度量。區間熟悉的值有序，例如： 20度，15度（溫度屬性）；     比率標度屬性：具有固定零點的數值屬性，即一個值是另一個的倍數（比率）。比率值也是有序的，可以計算值之間的差、也能計算均值、中位數、眾數。 6、離散屬性與連續屬性：機器學習領域開發的分類演算法通常把屬性分類成離散或連續的。     離散屬性：具有有限或無限可數個值，可以用或不用整數表示，如頭髮顏色、婚姻狀況都是有限個值，是離散的。 二、資料的基本統計描述     對於成功的資料預處理來說，把握資料的全貌是至關重要的。     三類基本統計描述：     中心趨勢度量：度量資料分佈的中部或中心位置，還有均值、中位數、眾數和中列數。     資料的散佈：常見度量有：極差、四分位數、四分位數極差、五數概括和盒圖，以及資料的方差和標準差。                                                                                                                                     （可以用於識別離群點）     圖形顯示視覺化地審視資料：條圖、餅圖、線圖、分位數圖、分位數-分位數圖、直方圖、散點圖 1、中心趨勢度量     資料集“中心”的最常用、最有效的數值度量是（算術）均值： 也就是資料庫中的SQL操作：avg()     加權平均（加權算術均值）：權重反映數值的意義、重要性或出現的頻率：（權重W與值X對應）     均值並非總是度量資料中心的最佳方法：對極端值（離群點）很敏感；解決方法可以使用截斷均值：丟棄高低兩個極端值（不一定是一個值，也可以是多個值）後的均值。     中位數：更好度量資料中心（非對稱資料）的方法，是有序資料值的中間值。       眾數：是另外一種中心趨勢度量。是集合中出現最頻繁的值。若具有多個眾數的資料集是多峰的；另一種極端情況是如果每個資料值僅出現一次，則他是沒有眾數的。（一般對應與非對稱資料）     中列數：資料集中最大和最小值的平均值 2、度量資料散佈：     極差：集合的極差是最大值與最小值的差。     分位數：取自資料分佈的每隔一定間隔上的點，把資料劃分成基本上大小相等的連貫集合。 2-分位數：是一個數據點，他把資料分佈劃分成高低兩半，2-分位數對應於中位數。     4-分位數：是三個資料點，他們把資料分佈劃分成4個相等的部分，使得每部分表示的資料分佈的四分之一。     100-分位數：稱為百分位數，他們把資料分佈劃分成為100個大小相等的連貫集合。     四分位數：第一個四分位數記作Q1，是第25個百分數為（資料集合25%的位置）；第二個四分位數記作Q2，是第50個百分位數，作為中位數給出資料分佈的中心；第三個四分位數記作Q3，是第75個百分位數（資料集合75%的位置）。     四分位數極差（IQR）：  IQR = Q3 - Q1     五數概括：由中位數（Q2）、四分位數Q,Q3、最小和最大觀測值組成。按次序為 Min、Q1、Median、Q3、Max。     識別可疑的離群點的規則：通常挑選落在第三個四分位數之上或第一個四分位數之下  至少1.5倍IQR處的值。 eg:     方差和標準差：  若x1,x2,x3.xn的平均數為m
則方差s^2=1/n[(x1-m)^2+(x2-m)^2+.+(xn-m)^2]
標準差s=√1/n[(x1-m)^2+(x2-m)^2+.+(xn-m)^2] 三、資料視覺化     資料視覺化旨在通過圖形表示 清晰有效地表達資料。