pt5jvslni/Chapter2/数据与特征.md

2.1 数据与特征

正所谓知己知彼，百战不殆。数据挖掘也一样，在对数据进行挖掘之前，首先要了解数据，知道数据长什么样子，数据中有哪些特征，这些特征的分布是怎样的，等等等等。本书中所指的数据默认指结构化数据(类似于excel 表格的数据)。

一般而言，一个结构化数据一般由多条记录组成，而一条记录也一般由多个属性构成。如果将一个结构化数据看成是一个表格，那么表格中的每一行表示一条记录，而表格中的每一列表示数据的一个特征。

如下图所示的泰坦尼克数据中有 5 条数数据，数据有 12 个特征。当然，我们通常将属性称为特征。

根据特征的特点可以将其划分成离散特征、顺序特征、数值特征。

离散特征

离散特征，顾名思义即类别特征。注意：这里的类别指的是没有顺序的类别。如泰坦尼克数据集中的Survived、Sex、Cabin、Embarked都是离散特征。因为这些特征的值都代表某种类别。如Sex中的male和female分别代表男性和女性，而且男性与女性之间没有顺序关系。

顺序特征

顺序特征和离散特征一样都代表类别特征，只不过顺序特征表示的是具有顺序属性的类别特征。如泰坦尼克数据集中的Pclass、SibSp、Parch属于顺序特征。例如Pclass表示乘客的船舱的等级，3、2、1分别表示三等舱、二等舱和一等舱。很明显，一等舱的高级程度是高于其他两种舱的，所以是Pclass是顺序特征。

数值特征

数值特征表示的数值型特征，这就很好理解了。只要该特征的值是数值型的，则该特征为数值特征。如Age、Fare都是数值特征。