数据挖掘学习笔记（四）

第二章 数据

• 数据预处理是数据挖掘过程的第一个主要步骤，了解数据才能为分析与挖掘做好预处理。
• 数据的属性：
  • 数据值类型
  • 数据的分布
  • 图形表示形式
  • 数据的相似性与相异性

数据的属性

1.数据对象

• 数据集由数据对象组成。
• 一个数据对象代表一个实体。
• 例如：
  • 销售数据库：顾客、商品、销售
  • 医疗数据库：患者、医生、诊断治疗
  • 大学生数据库：学生、教授、课程
• 数据对象又称为样本、实例、数据点、对象或元组。
• 数据对象用属性描述。
• 数据表的行对应数据对象，列对应属性。

2.属性（Attributes）

• 属性：（规模，特征，变量）是一个数据字段，表示数据对象的一个特征。如：customer_ID、name、address。
• 属性类型：
• 标称属性（nominal）
• 二元属性（binary）
• 序数属性（ordinal）
• 数值属性（numeric）
• 区间标度属性（interval-scaled）
• 比率标度属性（ratio-scaled）

3.属性类型

• 标称属性（nominal attribute）：类别，状态或事物的名字。
  • 每个值代表某种类别、编码或状态。
  • 这些值不必具有有意义的序，可以看做是枚举的。
  • 例如：头发颜色=｛赤褐色，黑色，金色，棕色，褐色，灰色，白色，红色｝
  • 婚姻状况、职业、ID号、邮政编码
  • 也可以用数值表示这些符号或名称，但并不定量地使用这些数。
  • 如：0表示未婚，1表示已婚。
• 二元属性（binary attribute）：布尔属性
  • 是一种标称属性，只有两个状态：0或1.
  • 对称的（symmetric）：两种状态具有同等的价值，且携带相同的权重。如：性别。
  • 非对称的（asymmetric）：其状态的结果不是同样重要。如：体检报告（阴性和阳性）。惯例：重要的结果用1编码（如，HIV阳性）。
• 序数属性（ordinal attribute）
  • 其可能的值之间具有有意义的序或者秩评定（ranking），但是相继值之间的差是未知的。
  • 尺寸=｛小，中，大｝，军衔，职称
  • 可用于主观质量评估，例如：顾客对客服的满意程度调查。0-很不满意，1-不太满意，2-基本满意，3-满意，4-非常满意。
  • 以上三种属性都是定性的。
• 数值属性（numeric attribute）：定量度量，用整数或实数值表示。
  • 区间标度（interval-scaled）属性
    • 使用相等的单位尺度度量。
    • 值有序，可以评估值之间的差，不能评估倍数。
    • 没有绝对的零点（如：摄氏温度、华氏温度）
  • 比率标度（ratio-scaled）属性
    • 具有固定零点的数值属性。
    • 值有序，可以评估值之间的差，也可以说一个值是另一个的倍数。如：开式温标（K）、重量、高度、速度等。
• 离散属性VS连续属性
• 离散属性（discrete attribute）
  • 具有有限或无限可数个值
  • 如：邮编、职业或文库中的字集。
  • 有时，表示为整型量。
  • 注意：二进制属性是离散属性的一个特例。
• 连续属性（continuous attribute）
  • 属性值为实数
  • 例如，温度、高度或重量。
  • 实际上，真实值只能使用一个有限的数字来测量和表示。
  • 一般用浮点变量表示