「数据分析师的统计基础」数据的种类知多少

分手后的思念是犯贱 2022-10-18 11:19 120阅读 0赞

### 文章目录 ###

*  内容介绍
 *  分类数据和数值数据
 *  如何进行数据种类的判断
 *  数据类型的相互转化

# 内容介绍 #

**数据分析师的 全部文章目录**

[看懂Python数据分析师，清华大学技术顾问带你一起从零做起][Python]

本文介绍 **Python数据分析师** 统计学中需要掌握数据种类方面的知识。

不懂统计学的数据分析师都不是好的数据分析师，多数的数据分析师课程都讲Python的应用，又不是开发代码敲的那么好有什么用？不学统计的知识是没有办法做数据分析师的，本专栏的文章主要以概念和应用举例为主，跳过能让人劝退的学术推导的内容，让大家在愉快中学习统计知识。

可以学习到以下知识：

1.  分类数据和数值型数据的区分和判断。
2.  分类数据和数值型数据的互相转化。

# 分类数据和数值数据 #

俗称离散型数据（分类数据）、连续型数据（数值数据）。

例如一份问卷调查中  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]

对于表格内的数据看看有什么区别？有些可以用具体数值测量有的不能测量，因此对于数据种类的理解再次进行深入的理解为：

**不可测量的数据，也称离散型数据，在实际应用中称分类数据。**

**可以测量的数据，也称连续型数据，在实际应用中称数值数据。**

# 如何进行数据种类的判断 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]

以尺度标准来区分数据的种类，可以理解为：

*  定类尺度：即无序列的类别数据，如技能名称乾坤一掷、迅速果断这种。
 *  定序尺度：即有序排列的类别数据，如品质等级SSR、SR+、SR这种。
 *  定距尺度：即数值为0时存在意义，如人物经验具体数值或者等级。
 *  定比尺度：即数值为0时无意义，如人的体重，0kg是不存在的。

结合之前的数据分类，我们可以看出来分类数据较多存在定类、定序尺度属性。而数值数据较多存在定距、定比尺度属性。

但是在某些情况下存在相互转化的情况。

# 数据类型的相互转化 #

依旧以之前的问卷调查举例来说，类别数据可以转化成数值数据，数值数据也可以转化成类别数据，但是实际上表达的意义并不会发生多大的变化。

针对下面的内容数据可以进行对应的量化处理。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]  
**1.类别数据进行量化**

对于文字 **非常有趣**、**有点兴趣**、**一般** 可以使用 1、2、3 来进行表述。对于文字 **男** 、**女** 可以使用 0、1 来进行表示。虽然表达的形式变化了，但是实际的意义并不发生改变。

**2.数值数据进行量化**

对于连续性数据转化，其实是转化对应成理解的业务类别，即区间分类。  
如 **年龄** 类别分为 **少年**、**青少年**、**青年**、**中年** 等等。对应例如青年定义的年龄是 21-25 岁，则将表格中的对应的数值转化成对应的类别文字，然后对应的文字类别有根据类别数据进行量化处理的方式进行数值的转化。

需要注意的是，这块处理的业务逻辑是针对数据分析师对于业务的逻辑理解。不同的观点对数据的理解都是不一样的。

[Python]: https://blog.csdn.net/qq_20288327/article/details/120589205
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20221014/91eeabaa4de14fb6836fa685847f45c6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]: /images/20221014/82a8a804bc6642e2a004b040ff320a9d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]: /images/20221014/d973885749d64e1895e89bdc29c26292.png