導(dǎo)讀：大多數(shù)情況下，數(shù)據(jù)分析的過程必須包括數(shù)據(jù)探索的過程。數(shù)據(jù)探索可以有兩個層面的理解：一是僅利用一些工具，對數(shù)據(jù)的特征進行查看；二是根據(jù)數(shù)據(jù)特征，感知數(shù)據(jù)價值，以決定是否需要對別的字段進行探索，或者決定如何加工這些字段以發(fā)揮數(shù)據(jù)分析的價值。字段的選取既需要技術(shù)手段的支撐，也需要數(shù)據(jù)分析者的經(jīng)驗和對解決問題的深入理解。
作者：彭鴻濤 張宗耀 聶磊
如需轉(zhuǎn)載請聯(lián)系華章科技
01 數(shù)值類型
在進行數(shù)據(jù)分析時，往往需要明確每個字段的數(shù)據(jù)類型。數(shù)據(jù)類型代表了數(shù)據(jù)的業(yè)務(wù)含義，分為3個類型：
1. 區(qū)間型數(shù)據(jù)（Interval）
數(shù)值型數(shù)據(jù)的取值都是數(shù)值類型，其大小代表了對象的狀態(tài)。比如，年收入的取值，其大小代表了其收入狀態(tài)。
2. 分類型數(shù)據(jù)（Categorical）
分類型數(shù)據(jù)的每一個取值都代表了一個類別，如性別，兩個取值代表了兩個群體。
3. 序數(shù)型數(shù)據(jù)（Ordinal）
和分類型數(shù)據(jù)非常相似，每個取值代表了不同的類別。但是，序數(shù)型的數(shù)據(jù)還有另外一層含義就是每個取值是有大小之分的。比如，如果將年收入劃分為3個檔次：高、中、低，則不同的取值既有類別之分，也有大小之分。
如果不了解字段的實際業(yè)務(wù)含義，數(shù)據(jù)分析人員可能會出現(xiàn)數(shù)據(jù)類型判斷失誤。比如字段的取值為“1”“2”“3”等，并不意味著是一個數(shù)值類型，它的業(yè)務(wù)含義還可以是一個分類型的字段，“1”“2”“3”分別代表了一個類別，其大小沒有任何含義。所以，充分了解字段的含義是很重要的。
很多的數(shù)據(jù)分析工具會根據(jù)數(shù)據(jù)中的字段的實際取值，做出類型的自動判斷：如字符型的數(shù)據(jù)，一般都認(rèn)定為分類型數(shù)據(jù)；如某個字段的所有取值只有“1”“2”“3”，則判斷其為分類型變量，然后經(jīng)過用戶的再次判斷，其很可能是序數(shù)型變量。
不同的數(shù)據(jù)類型，在算法進行模型訓(xùn)練時，處理和對待的方式是不同的。區(qū)間型數(shù)據(jù)是直接進行計算的；分類型數(shù)據(jù)是先將其轉(zhuǎn)換為稀疏矩陣：每一個類別是一個新的字段，然后根據(jù)其取值“1”“0”進行計算。
在很多場景下，人們習(xí)慣將分類型數(shù)據(jù)和序數(shù)型數(shù)據(jù)統(tǒng)稱為分類型數(shù)據(jù)，即數(shù)據(jù)類型可以是兩個：數(shù)值型數(shù)據(jù)（區(qū)間型數(shù)據(jù)）和分類型數(shù)據(jù)（分類型數(shù)據(jù)和序數(shù)型數(shù)據(jù)）。
02 連續(xù)型數(shù)據(jù)的探索
連續(xù)型數(shù)據(jù)的探索，其關(guān)注點主要是通過統(tǒng)計指標(biāo)來反映其分布和特點。典型的統(tǒng)計指標(biāo)有以下幾個：
4. 缺失值
取值為空的值即為缺失值。缺失值比例是確定該字段是否可用的重要指標(biāo)。一般情況下，如果缺失率超過50%，則該字段就完全不可用。
在很多情況下，我們需要區(qū)別對待null和0的關(guān)系。Null為缺失值，0是有效值。這個區(qū)別很重要，要小心區(qū)別對待。例如，某客戶在銀行內(nèi)的某賬戶余額為null，意味著該客戶可能沒有該賬戶。但是如果將null改為0，則是說用戶有該賬戶，且賬戶余額為零。
5. 均值（Mean）
顧名思義，均值即平均值。其大小反映了整體的水平。一個數(shù)學(xué)平均成績是95分的班級，肯定比平均成績是80分的班級的數(shù)學(xué)能力要好。
6. 最大值和最小值
最大值和最小值即每個數(shù)據(jù)集中的最大數(shù)和最小數(shù)。
7. 方差
方差反映各個取值距平均值的離散程度。雖然有時兩組數(shù)據(jù)的平均值大小可能是相同的，但是各個觀察量的離散程度卻很少能相同。方差取值越大，說明離散程度越大。比如，平均成績是80分的班級，其方差很小，說明這個班級的數(shù)學(xué)能力比較平均：沒有多少過高的成績，也沒有多少過低的成績。
8. 標(biāo)準(zhǔn)差
標(biāo)準(zhǔn)差是方差的開方，其含義與方差類似。
9. 中位數(shù)（Median）
中位數(shù)是將排序后的數(shù)據(jù)集分為兩個數(shù)據(jù)集，這兩個數(shù)據(jù)集分別是取值高的數(shù)據(jù)集和取值低的數(shù)據(jù)集。比如，數(shù)據(jù)集{3,4,5,7,8}的中位數(shù)是5，在5之下和5之上分別是取值低和取值高的數(shù)據(jù)集。數(shù)據(jù)集{2,4,5,7}的中位數(shù)應(yīng)當(dāng)是(4 + 5)/2=4.5。
10. 眾數(shù)（Mode）
眾數(shù)是數(shù)據(jù)集中出現(xiàn)頻率最高的數(shù)據(jù)。眾數(shù)最常用的場景是分類型數(shù)據(jù)的統(tǒng)計，但是其也反映了數(shù)值型數(shù)據(jù)的“明顯集中趨勢點的數(shù)值”。
均值、中位數(shù)、眾數(shù)的計算方式各有不同，假設(shè)有一組數(shù)據(jù)：
1,2,2,3,4,7,9
- 均值：(1 + 2 + 2 + 3 + 4 + 7 + 9)/7=4
- 中位數(shù)：3
- 眾數(shù)：2
11. 四分位數(shù)（Quartile）
四分位數(shù)，即用三個序號將已經(jīng)排序過的數(shù)據(jù)等分為四份，如表2-2所示。
▲表2-2 四分位的例子
第二四分位數(shù)（Q2）的取值和中位數(shù)的取值是相同的。
12. 四分位距（Interquartile Range，IQR）
四分位距通過第三四分位數(shù)和第一四分位數(shù)的差值來計算，即IQR=Q3-Q1。針對上表，其IQR=61-34=27。
四分位距是進行離群值判別的一個重要統(tǒng)計指標(biāo)。一般情況下，極端值都在Q1-1.5×IQR之下，或者Q3 + 1.5×IQR之上。著名的箱形圖就是借助四分位數(shù)和四分位距的概念來畫的，如圖2-1所示。
▲圖2-1 箱形圖及IQR
箱形圖中的上下兩條橫線，有可能是離群值分界點（Q3 + 1.5×IQR或Q1-1.5×IQR），也有可能是最大值或最小值。這完全取決于最大值和最小值是否在分界點之內(nèi)。
13. 偏斜度（Skewness）
偏斜度是關(guān)于表現(xiàn)數(shù)據(jù)分布的對稱性的指標(biāo)。如果其值是0，則代表一個對稱性的分布；若其值是正值，代表分布的峰值偏左；若其值是負(fù)值，代表分布的峰值偏右。在圖2-2中給出了偏斜度的示例。
▲圖2-2 Skewness的含義
Skewness的絕對值（不論是正值還是負(fù)值）如果大于1是個很明顯的信號，你的數(shù)據(jù)分布有明顯的不對稱性。很多數(shù)據(jù)分析的算法都是基于數(shù)據(jù)的分布是類似于正態(tài)分布的鐘型分布，并且數(shù)據(jù)都是在均值的周圍分布。如果Skewness的絕對值過大，則是另一個信號：你要小心地使用那些算法！
不同的偏斜度下，均值、中位數(shù)、眾數(shù)的取值是有很大不同的：
▲圖2-3 眾數(shù)、均值及中位數(shù)在不同分布下的比較
由圖2-3可見，在數(shù)據(jù)取值范圍相同的情況下，中位數(shù)是相同的。但是均值和眾數(shù)卻有很大的不同。所以，除了偏斜度指標(biāo)可以直接反映分布特征外，還可以通過中位數(shù)和均值的差異來判斷分布的偏斜情況。
- 中位數(shù)＜均值：偏左分布
- 中位數(shù)、均值相差無幾：對稱分布
- 中位數(shù)＞均值：偏右分布
14. 峰態(tài)（Kurtosis）
標(biāo)準(zhǔn)正態(tài)分布的峰態(tài)的值是3，但是在很多數(shù)據(jù)分析工具中對峰態(tài)值減去3，使得：0代表是正態(tài)分布；正值代表數(shù)據(jù)分布有個尖尖的峰值，高于正態(tài)分布的峰值；負(fù)值代表數(shù)據(jù)有個平緩的峰值，且低于正態(tài)分布的峰值。
峰態(tài)指標(biāo)的主要作用是體現(xiàn)數(shù)值分布的尾巴厚度，尖峰對應(yīng)著厚尾，即Kurtosis大于0時，意味著有一個厚尾巴。尖峰厚尾也就是說，在峰值附近取值較集中，但在非峰值附近取值較分散。圖2-4所示為一個峰態(tài)的例子。
▲圖2-4 峰態(tài)的例子
在連續(xù)型數(shù)據(jù)的探索中，需要重點關(guān)注的指標(biāo)首先是缺失率，然后是均值、中位數(shù)等指標(biāo)，這些指標(biāo)能幫助數(shù)據(jù)分析者對數(shù)據(jù)的特征有很好的了解。偏斜度是另外一個非常重要的指標(biāo)，但其絕對值接近1或大于1時，必須對其進行l(wèi)og轉(zhuǎn)換才能使用，否則該指標(biāo)的價值將大打折扣。
Python Pandas中DataFrame的describe方法默認(rèn)只統(tǒng)計連續(xù)性字段的最大值、最小值、均值、標(biāo)準(zhǔn)差、四分位數(shù)，如果想獲取其他的特征值，需要調(diào)用相應(yīng)的函數(shù)來獲得。下面是一段示例代碼，其運行結(jié)果通過表2-4來展示。
List_of_series = [bank.var().rename('方差'),
bank.median().rename('中位數(shù)'),
bank.skew().rename('偏斜度'),
bank.kurt().rename('峰態(tài)')]
df = pd.DataFrame(list_of_series)
mode = bank.mode(numeric_only＝True).rename({0: '眾數(shù)'})
pd.concat([df, mode])
▲表2-4 連續(xù)型變量數(shù)據(jù)探索示例代碼的運行結(jié)果
03 分類型數(shù)據(jù)的探索
分類型數(shù)據(jù)的探索主要是從分類的分布等方面進行考察。常見的統(tǒng)計指標(biāo)有以下幾個：
15. 缺失值
缺失值永遠(yuǎn)是需要關(guān)心的指標(biāo)，不論是連續(xù)型數(shù)據(jù)，還是分類型數(shù)據(jù)。過多的缺失值，會使得指標(biāo)失去意義。
16. 類別個數(shù)
依據(jù)分類型數(shù)據(jù)中類別的個數(shù)，可以對指標(biāo)是否可用有一個大致的判斷。例如，從業(yè)務(wù)角度來看，某指標(biāo)應(yīng)當(dāng)有6個類別，但實際樣本中只出現(xiàn)了5個類別，則需要重新考慮樣本的質(zhì)量。再如，某個分類型變量只有一個類別時，對數(shù)據(jù)分析是完全不可用的。
17. 類別中個體數(shù)量
在大多數(shù)情況下，如果某些類別中個體數(shù)量太少，如只有1%的比例，可以認(rèn)為該類別是個離群值。關(guān)于分類型變量離群值的研究比較多，但是如果脫離業(yè)務(wù)來談分類型變量的離群值，是不妥當(dāng)?shù)摹?/p>
不平衡數(shù)據(jù)就是一個典型的與業(yè)務(wù)有關(guān)的例子。比如，從業(yè)務(wù)角度來看，購買黃金的客戶只占銀行全量客戶的很小的一個部分，如果采取簡單隨機抽樣的方式，“是否購買”列的值將只有極少的“是”的取值。
但是，不能將“是”直接判斷為離群值，反而“是”有極其重要的業(yè)務(wù)含義。所以，數(shù)據(jù)分析者需要靈活地認(rèn)識和對待類別中個體數(shù)量的問題。
18. 眾數(shù)
和連續(xù)型數(shù)據(jù)的含義一樣，眾數(shù)是數(shù)據(jù)集中出現(xiàn)頻率最高的數(shù)據(jù)。比如，針對某個分類型取值A(chǔ)、B、C、D中C的出現(xiàn)次數(shù)最多，則C就是眾數(shù)。
以下是一段分類型變量數(shù)據(jù)探索示例代碼，其運行結(jié)果通過表2-5來展示。
bank.describe(include=[np.object])
▲表2-5 分類型變量數(shù)據(jù)探索示例代碼的運行結(jié)果
應(yīng)用Python Pandas的相關(guān)函數(shù)能夠非常容易得到分類型變量的探索結(jié)果，表2-5所示就是數(shù)據(jù)探索示例代碼的運行結(jié)果。
關(guān)于作者：彭鴻濤，德勤企業(yè)咨詢總監(jiān)兼首席數(shù)據(jù)科學(xué)家，德勤全球AI團隊核心成員，德勤數(shù)字化轉(zhuǎn)型、智慧營銷、智慧風(fēng)控、客戶體驗等核心咨詢服務(wù)方案的資深顧問。
張宗耀，上海全應(yīng)科技有限公司資深數(shù)據(jù)科學(xué)家，前華為企業(yè)智能部門資深數(shù)據(jù)科學(xué)家，前IBM SPSS 算法組件團隊資深算法工程師。
聶磊，陜西萬禾數(shù)字科技有限公司CTO，前IBM SPSS 資深數(shù)據(jù)科學(xué)家，前IBM Watson Analytics數(shù)據(jù)分析引擎技術(shù)主管及架構(gòu)師。
