8.5 KiB
Definere Data
 |
|---|
| Definere Data - Sketchnote av @nitya |
Data er fakta, informasjon, observasjoner og målinger som brukes til å gjøre oppdagelser og støtte informerte beslutninger. Et datapunkt er en enkelt enhet av data innenfor et datasett, som er en samling av datapunkter. Datasett kan komme i ulike formater og strukturer, og vil vanligvis være basert på kilden, eller hvor dataene kommer fra. For eksempel kan en bedrifts månedlige inntekter være i et regneark, mens timebaserte pulsmålinger fra en smartklokke kan være i JSON-format. Det er vanlig for dataforskere å jobbe med ulike typer data innenfor et datasett.
Denne leksjonen fokuserer på å identifisere og klassifisere data basert på deres egenskaper og kilder.
Forhåndsquiz
Hvordan Data Beskrives
Rådata
Rådata er data som kommer fra kilden i sin opprinnelige tilstand og som ikke har blitt analysert eller organisert. For å forstå hva som skjer med et datasett, må det organiseres i et format som kan forstås av både mennesker og teknologien de bruker for videre analyse. Strukturen til et datasett beskriver hvordan det er organisert og kan klassifiseres som strukturert, ustrukturert og semi-strukturert. Disse strukturtypene vil variere avhengig av kilden, men vil til slutt passe inn i disse tre kategoriene.
Kvantitative Data
Kvantitative data er numeriske observasjoner innenfor et datasett og kan vanligvis analyseres, måles og brukes matematisk. Noen eksempler på kvantitative data er: et lands befolkning, en persons høyde eller en bedrifts kvartalsvise inntekter. Med ytterligere analyse kan kvantitative data brukes til å oppdage sesongtrender i luftkvalitetsindeksen (AQI) eller estimere sannsynligheten for rushtidstrafikk på en typisk arbeidsdag.
Kvalitative Data
Kvalitative data, også kjent som kategoriske data, er data som ikke kan måles objektivt som observasjoner av kvantitative data. Det er generelt ulike formater av subjektive data som fanger kvaliteten på noe, som et produkt eller en prosess. Noen ganger er kvalitative data numeriske, men brukes vanligvis ikke matematisk, som telefonnumre eller tidsstempler. Noen eksempler på kvalitative data er: videokommentarer, merke og modell på en bil eller favorittfargen til dine nærmeste venner. Kvalitative data kan brukes til å forstå hvilke produkter forbrukere liker best eller til å identifisere populære nøkkelord i jobbsøknader.
Strukturert Data
Strukturert data er data som er organisert i rader og kolonner, der hver rad har det samme settet med kolonner. Kolonner representerer en verdi av en bestemt type og vil bli identifisert med et navn som beskriver hva verdien representerer, mens rader inneholder de faktiske verdiene. Kolonner vil ofte ha et spesifikt sett med regler eller begrensninger på verdiene for å sikre at verdiene nøyaktig representerer kolonnen. For eksempel, tenk deg et regneark med kunder der hver rad må ha et telefonnummer, og telefonnumrene aldri inneholder alfabetiske tegn. Det kan være regler på telefonnummerkolonnen for å sikre at den aldri er tom og kun inneholder tall.
En fordel med strukturert data er at det kan organiseres på en måte som gjør det mulig å relatere det til andre strukturerte data. Men fordi dataene er designet for å være organisert på en spesifikk måte, kan det kreve mye innsats å gjøre endringer i den overordnede strukturen. For eksempel, hvis du legger til en e-postkolonne i kunderegnearket som ikke kan være tom, må du finne ut hvordan du legger til disse verdiene i de eksisterende radene i datasettet.
Eksempler på strukturert data: regneark, relasjonsdatabaser, telefonnumre, kontoutskrifter.
Ustrukturert Data
Ustrukturert data kan vanligvis ikke kategoriseres i rader eller kolonner og inneholder ikke et format eller sett med regler å følge. Fordi ustrukturert data har færre begrensninger på strukturen, er det enklere å legge til ny informasjon sammenlignet med et strukturert datasett. Hvis en sensor som registrerer data om barometertrykk hvert 2. minutt får en oppdatering som nå lar den måle og registrere temperatur, krever det ingen endring av eksisterende data hvis det er ustrukturert. Men dette kan gjøre analyser eller undersøkelser av denne typen data mer tidkrevende. For eksempel, en forsker som ønsker å finne gjennomsnittstemperaturen for forrige måned fra sensorens data, men oppdager at sensoren har registrert en "e" i noen av dataene for å indikere at den var ødelagt, noe som betyr at dataene er ufullstendige.
Eksempler på ustrukturert data: tekstfiler, tekstmeldinger, videofiler.
Semi-strukturert Data
Semi-strukturert data har egenskaper som gjør det til en kombinasjon av strukturert og ustrukturert data. Det følger vanligvis ikke et format med rader og kolonner, men er organisert på en måte som anses som strukturert og kan følge et fast format eller sett med regler. Strukturen vil variere mellom kilder, fra en veldefinert hierarki til noe mer fleksibelt som tillater enkel integrering av ny informasjon. Metadata er indikatorer som hjelper til med å bestemme hvordan dataene er organisert og lagret, og vil ha ulike navn basert på typen data. Noen vanlige navn for metadata er tagger, elementer, enheter og attributter. For eksempel vil en typisk e-postmelding ha et emne, en brødtekst og et sett med mottakere og kan organiseres etter hvem eller når den ble sendt.
Eksempler på semi-strukturert data: HTML, CSV-filer, JavaScript Object Notation (JSON).
Datakilder
En datakilde er det opprinnelige stedet der dataene ble generert, eller hvor de "bor", og vil variere basert på hvordan og når de ble samlet inn. Data generert av brukeren(e) kalles primærdata, mens sekundærdata kommer fra en kilde som har samlet inn data for generell bruk. For eksempel, en gruppe forskere som samler observasjoner i en regnskog, vil bli ansett som primærdata, og hvis de bestemmer seg for å dele det med andre forskere, vil det bli ansett som sekundærdata for de som bruker det.
Databaser er en vanlig kilde og er avhengige av et databasesystem for å være vert for og vedlikeholde dataene, der brukere bruker kommandoer kalt spørringer for å utforske dataene. Filer som datakilder kan være lyd-, bilde- og videofiler samt regneark som Excel. Internettkilder er et vanlig sted for å være vert for data, der både databaser og filer kan finnes. Applikasjonsprogrammeringsgrensesnitt, også kjent som API-er, lar programmerere lage måter å dele data med eksterne brukere via internett, mens prosessen med webskraping trekker ut data fra en nettside. Leksjonene i Arbeide med Data fokuserer på hvordan man bruker ulike datakilder.
Konklusjon
I denne leksjonen har vi lært:
- Hva data er
- Hvordan data beskrives
- Hvordan data klassifiseres og kategoriseres
- Hvor data kan finnes
🚀 Utfordring
Kaggle er en utmerket kilde til åpne datasett. Bruk datasett-søkefunksjonen for å finne noen interessante datasett og klassifiser 3-5 datasett med følgende kriterier:
- Er dataene kvantitative eller kvalitative?
- Er dataene strukturerte, ustrukturerte eller semi-strukturerte?
Etter-quiz
Gjennomgang & Selvstudium
- Denne Microsoft Learn-enheten, kalt Klassifiser dine Data, har en detaljert oversikt over strukturerte, semi-strukturerte og ustrukturerte data.
Oppgave
Ansvarsfraskrivelse:
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.