导读

虽然我们介绍了数据的无量纲化，但是在实际编码之前我们还是需要多做一些准备工作。

在20多年的考试生涯中，老师都不断的提醒我们多读题。而在机器学习中，多读题也就变成了多了解数据的特点。也就是接下来要介绍的几个特点。

数据是否具有统一的格式

现在数据飞速膨胀，单一的数字已经没办法满足现在的高标准严要求了。所以，这里使用一些高维度的数据进行说明。

还是收集了20万猫娘数据的你，还是分析各种疾病。但是呢，病情记录却不全是报表形式的数据，而是一大堆毫不相关的症状堆叠在一起。这种数据被称为非结构化数据，或者是无组织数据。就像是：

序号	账号	情况
1	12301231823	眼球血丝较多，眼睛经常痒，咽喉处疼痛，鼻涕多
2	31287936661	呼吸不畅，喷嚏非常多，四肢无力
3	54174139414	胃胀痛，干呕，恶心
…	…	…

当我们分析情况的时候，就会人和机器一起一头雾水，不知道从哪开始。

另外，分析疾病并不能一杆子打死，而是各有不同，需要每只猫娘的个人信息。这个时候，由于医院系统的数字化管理，猫娘的信息都是以非常标准的报表形式给出，非常方便。这些数据就是结构化数据，或者是有组织数据。就像是：

编号	姓名	年龄	性别	种族	持有铃铛	铃铛登记时间
123831643	香子兰	14	女	猫	是	2018-12-25
123862173	巧克力	14	女	猫	是	2019/5/30
412371383	铃仙	16	女	兔	否	×\times×
…	…	…	…	…	…

收集这些信息的时候，由于非常严格的格式和非常好理解的表格形式，所以读取非常方便。

数值是指代类别还是具体数值

还是刚刚的个人信息的例子。

香子兰是女猫娘，这就是指代类别的数据。而年龄是14，这又是具体数值。虽然都是每一位用户的属性，却相当明确地给出了完全不一样的参考。

类别用于给用户分类，比如女性猫娘更适合比较精细的工作，而男性牛头人更适合力量型的工作等等；数值则用于定量表示用户的各种参数信息。比如握力、跳远距离等等。

数据的四个等级

刚刚我们把数据分为定性和定量两种，接下来我们继续分类：

定类等级
定序等级
定距等级
定比等级

刚刚提到的指代类别就是定类等级数据，这个比较好理解，就不再赘述。

而定序等级，则是在同一种前提下对所有的类别进行排序所得到的类别集合。打个比方，我们需要在地下城寻找更适合当裁缝的种族，所以收集大量的数据，并按照所有种族的平均表现进行排序。最后我们发现，蚕和毛毛虫这两个种族不相上下，并列第一，其次是蜘蛛，然后是人类。于是，我们就得到了一个有序的集合，这个集合就是含有定序等级的数据。虽然说这组数据中包含一些使用数据精确说明的定量数据，但是本身代表的实际上是一个类，哪怕这个数字是一个像25%25\%25%之类的确切数值数。

定距等级，顾名思义，就是设置参照并使用差值进行绘图。还是知识储备：数据的无量纲化中跳远数据的例子。比起全部使用1.5371.5371.537上下不等的共20万琐碎数据，还是将1.5371.5371.537作为新的参照重新计算这些数据反而效果会更好。其中，这个由差值组成的新的数据集就是包含定距等级的数据集。当然，毕竟是20万条数据，画图将会是密密麻麻的一片，毫无参考价值。所以，这里可以以年龄为xxx轴，每个年龄段都计算均值，这样就能得出年龄-跳远距离曲线。这个年龄又是定序等级。就变成了不同类别下的定量分析。全都联系起来了，不是么？

定比等级同样也是定量的描述，只不过和定距等级不一样的是，定距等级使用的是差值，而定比等级使用的是比值。同样需要参照物，研究的时候也是研究比值而不是源数据。CPU、GPU等电子产品的性能分析就是最好的例子。往往在新款CPU、GPU等电子产品推出的时候，都会和一个参照物进行比较。比如，intel新款CPU会和历代CPU产品进行比较，频率提升了多少比率、各种测试环境下的表现提升了多少比率等等；小米会和华为比较，打开应用的速度提升了百分之多少，游戏延迟降低了百分之多少等等。这些都是定比等级。

总结

最后就用《特征工程入门与实践》中的表格作总结吧。

下面这个表格总结了本篇的核心内容，也就是四大数据特点的比较。

等级	属性	例子	描述性统计	图表
定类	离散、无序	颜色、真或假	频率/占比、众数	条形图、饼状图
定序	有序	考试等级、年龄分段	频率、众数、中位数、百分数	条形图、饼图、茎叶图
定距	数据差有真实意义	温度、跳远	频率、众数、中位数、均值、标准差	条形图、饼图、茎叶图、箱线图、直方图
定比	连续、存在有真实意义的绝对零点，可以做除法	性能指标、金钱、重量	均值、标准差	直方图、箱线图

如果你不知道什么等级应该用什么样的统计量表示，那就对照下面这张表：

统计量	定类	定序	定距	定比
众数	\sqrt{}	\sqrt{}	\sqrt{}	有时可行
中位数	×\times×	\sqrt{}	\sqrt{}	\sqrt{}
差值、最小最大值	×\times×	\sqrt{}	\sqrt{}	\sqrt{}
均值	×\times×	×\times×	\sqrt{}	\sqrt{}
标准差	×\times×	×\times×	\sqrt{}	\sqrt{}

现在，相信你对一大堆不知所云甚至毫无关联的数据的时候，不会像以前那么害怕了，不是么？最后还是提醒一下，特征工程的特征理解，最最核心的操作步骤，就是下面这张图所示的：

是不是有点能理解了？

特征工程的准备：特征理解相关推荐

特征工程系列：特征筛选的原理与实现（下）
0x00 前言我们在<特征工程系列:特征筛选的原理与实现(上)>中介绍了特征选择的分类,并详细介绍了过滤式特征筛选的原理与实现.本篇继续介绍封装式和嵌入式特征筛选的原理与实现. 0x01 ...
机器学习-特征工程中的特征降维
对于一个机器学习问题,数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限.由此可见,数据和特征在模型的整个开发过程中是比较重要.特征工程,顾名思义,是对原始数据进行一系列工程处理,将其提炼为 ...
特征工程系列：特征预处理（下）
特征工程系列:特征预处理(下) 本文为数据茶水间群友原创,经授权在本公众号发表. 关于作者:JunLiang,一个热爱挖掘的数据从业者,勤学好问.动手达人,期待与大家一起交流探讨机器学习相关内容~ 0 ...
「推荐系统中的特征工程」1. 特征工程基础知识介绍
作者 | gongyouliu 编辑 | auroral-L 全文共6858字,预计阅读35分钟. 本章目录一.特征的基本概念二.特征工程介绍三.特征工程的基本思路和方法 1. 根据不同数据类型 ...
特征工程系列：特征筛选的原理与实现（上）
本文为数据茶水间群友原创,经授权在本公众号发表. 关于作者:JunLiang,一个热爱挖掘的数据从业者,勤学好问.动手达人,期待与大家一起交流探讨机器学习相关内容~ 0x00 前言数据和特征决定了机 ...
特征工程之时间特征、自然语言特征、图像图像特征、数据分布不平衡
特征工程之时间特征.自然语言特征.图像图像特征.数据分布不平衡目录特征工程之时间特征.自然语言特征.图像图像特征
「机器学习速成」数据预处理，特征工程，良好特征的特点
https://www.toutiao.com/a6703863693408469516/ 大家好,今天我们学习[机器学习速成]之数据预处理,特征工程,良好特征的特点我们马上学三点 , 特征工程 ...
ML之FE：特征工程中的特征拼接处理(常用于横向拼接自变量特征和因变量特征)(daiding)
ML之FE:特征工程中的特征拼接处理(常用于横向拼接自变量特征和因变量特征) 目录特征工程中的特征拼接处理(常用于横向拼接自变量特征和因变量特征) 输出结果实现代码特征工程中的特征拼接处理(常用 ...
ML之FE：数据处理—特征工程之稀疏特征的简介、如何处理、案例应用之详细攻略
ML之FE:数据处理-特征工程之稀疏特征的简介.如何处理.案例应用之详细攻略目录稀疏特征的简介稀疏特征的如何处理稀疏特征的案例应用稀疏特征的简介信号稀疏表示是过去近20年来信号处理界一个非 ...
【完结篇】专栏 | 基于 Jupyter 的特征工程手册：特征降维
作者:陈颖祥.杨子晗编译:AI有道经过数据预处理和特征选择,我们已经生成了一个很好的特征子集.但是有时该子集可能仍然包含过多特征,导致需要花费太多的计算能力用以训练模型.在这种情况下,我们可以使用 ...

特征工程的准备：特征理解

特征理解之前的知识储备（二）

导读

数据是否具有统一的格式

数值是指代类别还是具体数值

数据的四个等级

总结

特征工程的准备：特征理解相关推荐

最新文章

热门文章