第二章
什么是数据集
数据集是数据对象的集合，由许许多多的数据对象组成，一个数据对象代表一个实体
数据对象的属性
- 标称属性：其值是一些符号或者事务的名称
- 二元属性：又称布尔属性，只有两个类别或者状态（0/1）
- 序数属性：其可能的值之间具有意义的序或者秩评定，但是相继值之间的差是未知的
以上三种的属性都是定性的，之描述对象的特征而不会给出食记的大小或者数量。这些属性通常都是代表类别的
- 数值属性：用整数或者实数值表示，数值属性可以是区间标度或比率标度
4.1 区间标度属性用相等的单位尺度度量，通俗的说就是不可以说一个值是另一个的倍数。例如摄氏/华氏温度，不能用比率去谈论温度的值，比如说我们不能说10℃比5℃热两倍
4.2 比率标度属性是具有固定零点的属性，通俗的说就是可以说一个值是另一个的倍数（或比率），例如开氏温度具有绝对零点。100元是1元的100倍。
- 离散属性与连续属性
离散属性具有有限或者无限个可数的数值，可以用或不哦那个整数表示
如果属性不离散，则属性是连续的
数据的基本统计描述
中心趋势度量
包括平均数、中位数和众数
度量数据散布
包括极差、四分位数、方差、标准差和四分位数极差
分位数： 曲子数据分成基本上大小相等的连贯集合（就是将数据集等分）
eg: 2-分位数有一个数据点，即中位数（将数据集等分成2份）
4-分位数有三个数据点（将数据集等分成4份）
四分位数给出分布的中心、散布和形状的某种指示。
第一个四分位数记作Q1，是第25%个百分位数，以此类推。
第三个四分位数记作Q3，是第75%个百分位数
四分位数极差（IQR），定义为：
IQR=Q3-Q1
四分位数极差
数据的基本统计描述的图形显示
- 分位数图：观察单变量数据分布
- 分位数-分位数图：观察单一变量的数据分布，让用户可以观察到从一个分布到另一个分布是否发生漂移
- 直方图：概括给定属性X的分布的图形方法
- 散点图与数据相关：观察双变量数据
·
数据可视化
1. 基于像素的可视化技术
在屏幕上创建m个窗口，每维一个。记录的m个维值映射到这些窗口中对应位置上的m个像素。像素的颜色反应对应的值。
缺点：很难理解多维空间的数据分布。
2. 几何投影可视化技术
帮助用户发现多维数据集的有趣投影。
平行坐标技术的一个局限：不能有效的显示具有很多记录的数据集。即便是对于数千个记录的数据集，视觉上的簇和重叠也常常降低可视化的可读性，使得很难发现模式。
3. 基于图符的可视化技术
使用少量图符表示多维数据值。
1.切尔诺夫脸
- 人物线条画
4. 层次可视化技术
把所有维度划分成子集（即子空间），这些子空间按层次可视化。
- 树图
”世界中的世界“
世界中的世界
5. 可视化复杂对象和关系
标签云是用户产生的标签的统计量的可视化
度量数据的相似性和相异性
-
相关概念
1.1 簇的概念
簇是数据对象的集合。一个簇内的对象相似，簇和簇之间的对象相异
1.2 对象的邻近性
数据对象的邻近性 - 数据结构
为了描述数据对象之间的邻近性，通常采用两种数据结构，分别是：数据矩阵和相异性矩阵
2.1 数据矩阵：对象-属性结构，用来表示n个对象*p个属性
数据矩阵
每行对应一个对象，1~p表示该行对应的对象的p个属性
2.2 相异性矩阵：对象-对象结构，用来存放n个对象两两之间的邻近度
d(i,j)是对象i和对象j之间的相异性或“差别”的度量。一般而言，d(i,j)是一个非负的数值，两个对象越相似，其值越接近于0，越不同，该值越大。该矩阵是对称的。
2.3 数据矩阵和相异性矩阵的区别
数据矩阵由两种实体或者“事物”组成，即行代表对象和列代表属性，因此又称二模矩阵。
相异性矩阵只包含一类尸体，因此被称为单模矩阵。
