編者按】數據類型是統計學的重要概念。機器學習和數據科學開發者Niklas Donges簡要介紹了不同的數據類型，理解這些數據類型有助於對數據集進行恰當的探索性數據分析（EDA）——機器學習項目最被低估的部分之一。
介紹
理解不同的數據類型，是探索性數據分析（Exploratory Data Analysis，EDA）所需的關鍵預備知識，同時也有助於你選擇正確的可視化方法。你可以將數據類型看成歸類不同類型變量的方式。我們將討論主要的變量類型，以及相應的示例。有時我們會稱其為測量尺度（measurement scale）。
類別數據
類別數據（categrorical data）表示特性，例如一個人的性別，所說的語言，等等。類別數據同樣可以使用數值（例如：1表示雌性，0表示雄性）。
名目數據
名目值（nominal value）指用於標記變量的定性離散單元。你可以直接把它們想象成“標籤”。注意名目數據是無序的。因此，如果你改變名目值的順序，其語義並不會改變。下面是一些名目特徵的例子：
- 性別：雌性、雄性。
- 語言：英語、法語、德語、西班牙語。
上面的性別特徵也被稱為“二分（dichotomous）”值，因為它只包含兩個類別。
次序數據
次序值（ordinal value）指離散、有序的定性單元。除了有序之外，它幾乎和名目數據一樣。例如，教育背景可以用次序值來表示：
- 初中
- 高中
- 大學
- 研究生
注意，其實初中、高中之間的差別，和高中、大學之間的差別，是不一樣的。這是次序數據的主要限制，次序值之間的差別是未知的。因此，次序值通常用於衡量非數值特徵，例如愉悅程度、客戶滿意度。
數值數據
離散數據
離散數據（discrete data）的值是不同而分散的，換句話說，只能接受一些特定值。這類數據無法測量但可以計數。它基本上用來表示可以分類的信息。例如，拋100次硬幣正面向上的次數。
你可以通過以下兩個問題檢查你處理的是否是離散數據：你可以對其計數嗎？它可以被切分成越來越小的部分嗎？
相反，如果數據可以測量但無法計數，那就是連續數據。
連續數據
連續數據（continuous data）表示測量。例如身高。
連續數據可以分為等距數據（interval data）和等比數據（ratio data）。
等距值指間隔相等的有序單元，也就是說，等距變量包含有序數值，並且我們知道這些數值之間的間隔。例如，用等距數據表示溫度：
- -10
- -5
- 0
- +5
- +10
- +15
等距值的問題在於，它們沒有“真正的零”。拿上面的例子來說，0度不是絕對零度。另外，我們可以加減等距值，而不能乘除等距值或計算比率。由於沒有“真正的零”，無法應用許多描述統計學或推論統計學的方法。
等比值具有等距值的所有特性，同時也有絕對的零。因此，不僅可以加減，還可以乘除。高度、重量、長度、絕對溫度等都屬於等比值。
數據類型為什麼重要？
數據類型是一個非常重要的概念，因為統計學方法只能應用於特定的數據類型。你需要使用不同的方式分析連續數據和類別數據。因此，理解你處理的數據的類型，讓你能夠選擇正確的分析方法。
下面我們將重新查看上面提到的每種數據類型，瞭解它們可以應用什麼樣的統計學方法。為了理解我們將討論的一些性質，你需要對描述性統計學有所瞭解。如果你對此不熟悉，可以先看下我寫的描述性統計學介紹。
統計學方法
名目數據
處理名目數據時，你通過下述方式收集信息：
- 頻數 在一段時間內或整個數據集中出現的次數。
- 比例 頻數除以所有事件的頻數之和，即可得到比例。
- 百分比 我想這無需解釋了吧。
- 眾數 出現次數最多，也就是頻數最高的數據。
- 可視化方法 你可以使用餅圖或直方圖可視化名目數據。
左：餅圖；右：直方圖
次序數據
當你處理次序數據時，你可以使用以上用於名目數據的方法，不過，除此之外，你還可以使用一些額外的工具。也就是說，你可以使用頻數、比例、百分比、眾數概括次序數據，也可以使用餅圖、直方圖可視化次序數據。除此之外，你還可以使用：
- 百分位數 計算由小到大排列的次序數據的累計百分位，某一百分位對應的數據值就稱為這一百分位的百分位數。百分位數可以用來描述數據的離散趨勢。
- 中位數 即第50百分位數，它將數據分為相等的上下兩部分。中位數可以用來描述數據的中間趨勢。例如，如果我們用次序數據表示星巴克咖啡的容量：中杯、大杯、特大杯。那麼，其中位數為大杯（也就是說，真正的中杯是大杯）。
- 四分位距 第75百分位數與第25百分位數之差即為四分位距。四分位距可以簡要概述數據的離散趨勢。
連續數據
大多數統計學方法都可以用於連續數據。你可以使用百分位數、中位數、四分位距、均值、眾數、標準差、區間。
你可以使用矩形圖或箱形圖可視化連續數據。從矩形圖上可以看到分佈的中間趨勢、離散程度、形態和峰態。注意，矩形圖不體現離散值，因此我們有時使用箱形圖。
左：箱形圖；右：矩形圖
總結
本文討論了統計學中常用的不同數據類型。你瞭解了離散數據和連續數據的區別，以及什麼是名目數據、次序數據、等距數據、等比數據。此外，你現在知道了每種數據類型可以應用的統計學方法和可視化方法。如果你在給定數據集上進行探索性分析，你會發現這些非常有用。
閱讀更多 論智 的文章
