19 KiB
డేటాను నిర్వచించడం
 |
|---|
| డేటాను నిర్వచించడం - స్కెచ్ నోట్ by @nitya |
డేటా అనేది నిజాలు, సమాచారం, పరిశీలనలు మరియు కొలమానాలు, ఇవి ఆవిష్కరణలను చేయడానికి మరియు సమాచార ఆధారిత నిర్ణయాలను తీసుకోవడానికి ఉపయోగించబడతాయి. ఒక డేటా పాయింట్ అనేది ఒక డేటాసెట్లో ఉన్న ఒకే ఒక డేటా యూనిట్, ఇది డేటా పాయింట్ల సేకరణ. డేటాసెట్లు వివిధ ఫార్మాట్లు మరియు నిర్మాణాల్లో ఉండవచ్చు, మరియు సాధారణంగా వాటి మూలం లేదా డేటా ఎక్కడని ఆధారంగా ఉంటాయి. ఉదాహరణకి, ఒక కంపెనీ నెలవారీ ఆదాయం ఒక స్ప్రెడ్షీట్లో ఉండొచ్చు, కానీ స్మార్ట్వాచ్ నుండి గంటలవారీ గుండె రేటు డేటా JSON ఫార్మాట్లో ఉండొచ్చు. డేటా శాస్త్రవేత్తలు ఒక డేటాసెట్లో వేరే వేరే రకాల డేటాతో పని చేయడం సాధారణం.
ఈ పాఠం డేటాను దాని లక్షణాలు మరియు మూలాల ద్వారా గుర్తించడం మరియు వర్గీకరించడం పై కేంద్రీకృతమైంది.
పాఠం మునుపటి పరిక్ష
డేటాను ఎలా వివరిస్తారు
రా డేటా
రా డేటా అనేది దాని మూలం నుండి ప్రారంభ స్థితిలో వచ్చిన డేటా, ఇది విశ్లేషించబడలేదు లేదా ఏర్పాటు చేయబడలేదు. ఒక డేటాసెట్లో జరుగుతున్నది ఏమిటో అర్థం చేసుకోవడానికి, దీన్ని మనుషులు కూడా సులభంగా అర్థం చేసుకునే విధంగా మరియు తదుపరి విశ్లేషణకు ఉపయోగించే సాంకేతికతలు కూడా ఉపయోగించగలిగే విధంగా అమర్చాలి. ఒక డేటాసెట్ నిర్మాణం అది ఎలా ఏర్పాటు చేయబడిందో వివరించి, ఇది నిర్మాణమయ్యింది, నిర్మాణరహితమో లేదా సెమీ-నిర్మాణరహితమో అని వర్గీకరించబడుతుంది. ఈ రకాల నిర్మాణం మూలం ఆధారంగా భిన్నంగా ఉంటాయి, కానీ తుది దృష్ట్యా ఈ మూడు వర్గాల్లో ఉంటాయి.
పరిమాణాత్మక డేటా
పరిమాణాత్మక డేటా అనేది సంఖ్యాత్మక గమనికలు, సాధారణంగా విశ్లేషించబడవచ్చు, కొలవబడవచ్చు మరియు గణితంగా ఉపయోగించబడవచ్చు. కొన్ని ఉదాహరణలు: ఒక దేశ జనాభా, ఒక వ్యక్తి ఎత్తు లేదా ఒక కంపెనీ త్రైమాసిక ఆదాయం. మరింత విశ్లేషణతో, పరిమాణాత్మక డేటాను వాతావరణ గుణాత్మక సూచిక (AQI) సీజనల్ ట్రెండ్స్ కనుగొనడానికి లేదా సాధారణ పనిరోజు ట్రాఫిక్ సంక్షోభం సంభావ్యత అంచనానికీ ఉపయోగించవచ్చు.
గుణాత్మక డేటా
గుణాత్మక డేటా, లేదా వర్గీకరణ డేటా గా కూడా పిలవబడుతుంది, ఇది పరిమాణాత్మక డేటా లక్షణాల లాంటి విధంగా కొలవబడలేదు. ఇది సాధారణంగా పదార్థం లేదా ప్రక్రియ యొక్క లక్షణాలను బంధించే అనేక రకాలు ఉన్న సాపేక్ష డేటా. కొన్ని గుణాత్మక డేటా సంఖ్యాత్మకంగావుండవచ్చు కానీ సాధారణంగా గణితంగా ఉపయోగించరు, ఉదాహరణకు ఫోన్ నంబర్లు లేదా టైమ్స్టాంప్లు. కొన్ని ఉదాహరణలు: వీడియో కామెంట్లు, ఒక కారు తయారీ మరియు మోడల్, లేదా మీ దగ్గరి స్నేహితుల ఇష్టమైన రంగు. గుణాత్మక డేటా వినియోగదారులు ఎక్కువగా ఇష్టపడే ఉత్పత్తులను అర్థం చేసుకోవడానికి లేదా ఉద్యోగ దరఖాస్తుకు సంబంధించిన ప్రముఖ కీవర్డ్లను గుర్తించడానికి ఉపయోగపడుతుంది.
నిర్మాణమైన డేటా
నిర్మాణమైన డేటా అనగా వరుసలు మరియు కాలమ్స్లో అమర్చబడిన డేటా, ప్రతి వరుసలో అదే కాలమ్స్ ఉంటాయి. కాలమ్స్ ఒక నిర్దিষ্ট రకం విలువను ప్రాతినిధ్యం చేస్తాయి మరియు ఆ విలువ యొక్క వివరణ ఇచ్చే పేరు తో గుర్తింపబడతాయి, వరుసలు నిజమైన విలువలను కలిగి ఉంటాయి. కాలమ్ మీద విలువలపై కొన్ని నిబంధనలు ఉండవచ్చు, దీని ద్వారా విలువలు సరైన దృశ్యాన్ని అందిస్తాయి. ఉదాహరణకి, ఒక కస్టమర్ల స్ప్రెడ్షీట్లో ప్రతి వరుస ఫోన్ నంబరం కలిగి ఉండాలి, ఫోన్ నంబర్లు ఎప్పుడూ అక్షరాలు ఉండవు. ఫోన్ నంబర్ కాలమ్ ఎప్పుడూ ఖాళీగా ఉండకూడదు మరియు సంఖ్యలను మాత్రమే కలిగి ఉండాలి అనే నియమాలు ఉండవచ్చు.
నిర్మాణమైన డేటాకు లాభం: ఇది ఇతర నిర్మాణమైన డేటాతో సంబంధం కలిగి ఉండే విధంగా అమర్చబడవచ్చు. అయితే, డేటా ఒక నిర్దిష్ట విధంగా అమర్చబడినందున, దాని మొత్తం నిర్మాణాన్ని మార్చడం కష్టం అయ్యే అవకాశం ఉంది. ఉదాహరణకి, కస్టమర్ స్ప్రెడ్షీట్లో ఖాళీగా ఉండకూడని ఇమెయిల్ కాలమ్ని చేర్చాలంటే, మీరు ఈ విలువలను ఇప్పటికే ఉన్న కస్టమర్ వరుసలకు ఎలా జోడించాలి అనేది నిర్ణయించుకోవాలి.
నిర్మాణమైన డేటా ఉదాహరణలు: స్ప్రెడ్షీట్స్, సంబంధిత డేటాబేస్లు, ఫోన్ నంబర్లు, బ్యాంక్ స్టేట్మెంట్లు
నిర్మాణరకమైన డేటా
నిర్మాణరకమైన డేటాతో కోషాలని లేదా కాలమ్స్ లో విడగొట్టలేము మరియు ఇది ఫార్మాట్ లేదా నియమాలు కలిగి ఉండదు. దీనికి నిర్మాణం పట్ల తక్కువ ఆంక్షలు ఉండటంతో, కొత్త సమాచారాన్ని జోడించడం సులభం. ఉదాహరణకు ఒక్కో రెండు నిమిషాలకు బారోమెట్రిక్ ప్రెషర్ని కొలిచే సెన్సార్ ఇప్పుడు ఉష్ణోగ్రత కొలవటం ప్రారంభిస్తే, ఇది నిర్మాణరకమైన డేటా అయితే ఉన్న డేటాలో మార్పులు చేయాల్సిన అవసరం ఉండదు. అయితే, ఈ రకమైన డేటాను విశ్లేషించడానికి స్వల్ప సమయం ఎక్కువ కావచ్చు. ఉదాహరణకి, శాస్త్రవేత్త ఒక నెల ఉష్ణోగ్రత సగటును కనుగొనాలని ప్రయత్నిస్తుండగా, కొంత డేటాలో సెన్సార్ బ్రోకెన్ ఉన్నట్టు చూపించడానికి "e" అనే అక్షరం వాడింది కనుగొనడం వల్ల డేటా అపూర్ణంగా ఉంటుంది.
నిర్మాణరకమైన డేటా ఉదాహరణలు: టెక్స్ట్ ఫైళ్ళు, టెక్స్ట్ మెసేజ్లు, వీడియో ఫైళ్ళు
సెమీ-నిర్మాణమైన డేటా
సెమీ-నిర్మాణమైన డేటా అనేది నిర్మాణమైన మరియు నిర్మాణరకమైన డేటా యొక్క మిశ్రమం. ఇది సాధారణంగా వరుసలు మరియు కాలమ్స్ ఫార్మాట్లో ఉండదు, కానీ ఒక నిర్దిష్ట నిర్మాణంలో అమర్చబడుతుంది మరియు ఒక నిర్దిష్ట ఫార్మాట్ లేదా నియమాలను అనుసరిస్తుంది. మూలాల మధ్య నిర్మాణం మారుతూ ఉంటుంది, అందులో మెటాడేటా అనే సూచనలు ఉంటాయి, ఇవి డేటా ఎలా అమర్చబడిందో నిర్ధారిస్తాయి. మెటాడేటాకు వివిధ పేర్లు ఉంటాయి, ఉదాహరణకు ట్యాగ్లు, ఎలిమెంట్లు, ఎంటిటీస్, అట్రిబ్యూట్లు. ఉదాహరణకి సాధారణ ఇమెయిల్ సందేశం సబ్జెక్ట్, బాడీ, రిసిపియంట్ లతో ఉంటుంది మరియు ఆ సందేశం ఎవరికి, ఎప్పుడు పంపామో ఆధారంగా అమర్చవచ్చు.
సెమీ-నిర్మాణమైన డేటా ఉదాహరణలు: HTML, CSV ఫైళ్ళు, జావాస్క్రిప్ట్ ఆబ్జెక్ట్ నోటేషన్ (JSON)
డేటా మూలాలు
డేటా మూలం అనగా డేటా ఉత్పత్తి అయిన ప్రాథమిక స్థానం, లేదా అది "లైవ్" గా ఉన్న ప్రదేశం. ఇది ఎక్కడ మరియు ఎప్పుడు సంగ్రహించబడిందనిపై ఆధారపడి ఉంటుంది. ఉపయోగదారులచే ఉత్పత్తి చేయబడిన డేటాను ప్రాథమిక డేటా అంటారు, అయితే సాధారణ ఉపయోగం కోసం సేకరించిన మూలం నుండి వచ్చిన డేటా ద్వితీయ డేటా. ఉదాహరణకి, ఒక సమూహం శాస్త్రవేత్తలు వానవనంలో గమనికలు సేకరిస్తే, అది ప్రాథమిక డేటా, అవి ఇతర శాస్త్రవేత్తలకు ఉపయోగం కోసం పంచితే, అది వాటి వైపు నుండి ద్వితీయ డేటా.
డేటాబేస్లు సాధారణ మూలాలు మరియు డేటాను నిల్వ చేయడానికి డేటాబేస్ మేనేజ్మెంట్ సిస్టమ్పై ఆధారపడతాయి, ఇక్కడ వినియోగదారులు "క్వెరీలు" అనే కమాండ్లతో డేటాను అన్వేషిస్తారు. ఫైళ్ళు కూడా డేటా మూలాలు కాగా, అవి ఆడియో, చిత్రాలు, వీడియో ఫైళ్ళతో పాటు ఎక్సెల్ వంటి స్ప్రెడ్షీట్లుగా ఉండవచ్చు. ఇంటర్నెట్ మూలాలు సాధారణంగా డేటా నిల్వ చేసే ప్రదేశాలు, అంతలో డేటాబేసులు మరియు ఫైళ్ళు ఉంటాయి. అప్లికేషన్ ప్రోగ్రామింగ్ ఇంటర్ఫేసులు (APIs) ప్రోగ్రామర్లకు ఇంటర్నెట్ ద్వారా బాహ్య వినియోగదారులతో డేటా పంచుకోవడానికి మార్గాలను సృష్టించేందుకు అనుమతిస్తాయి, మరొకవైపు వెబ్ స్క్రాపింగ్ అనే ప్రక్రియ వెబ్ పేజీ నుండి డేటా తరగిస్తుంది. డేటాతో పని చేయడం పాఠాలు వివిధ డేటా మూలాలను ఎలా ఉపయోగించాలో చెప్పేవి.
ముగింపు
ఈ పాఠంలో మేము నేర్చుకున్నాం:
- డేటా అంటే ఏమిటి
- డేటాను ఎలా వివరిస్తారు
- డేటాను ఎలా వర్గీకరించడం మరియు వర్గీకరించడం
- డేటాను ఎక్కడ పొందవచ్చు
🚀 సవాలు
క్యాగుల్ ఓపెన్ డేటాసెట్స్కి అద్భుతమైన మూలం. డేటాసెట్ సెర్చ్ టూల్ ను ఉపయోగించి కొన్ని ఆసక్తికరమైన డేటాసెట్లను కనుగోలు చేసి క్రింది ప్రమాణాలతో 3-5 డatasets వర్గీకరించండి:
- డేటా పరిమాణాత్మకమనా లేదా గుణాత్మకమా?
- డేటా నిర్మాణమైనది, నిర్మాణరకమైనది లేదా సెమీ-నిర్మాణమైనది?
పాఠం అనంతర పరీక్ష
పునఃపరిష్కరణ & స్వీయ అధ్యయనం
- ఈ Microsoft Learn యూనిట్, డేటా ఫార్మాట్లను గుర్తించడం గా పిలవబడేది, నిర్మాణమైన, సెమీ-నిర్మాణమైన మరియు నిర్మాణరకమైన డేటా యొక్క సమగ్ర వివరణను కలిగి ఉంది.
అసైన్మెంట్
అస్వీకరణ: ఈ పత్రం AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.