1.2 矩形数据

矩形数据对象是数据科学分析中的典型引用结构，矩形数据对象包括电子表格、数据库表等。

矩形数据本质上是一个二维矩阵，其中行表示记录（事例），列表示特征（变量）。数据通常并非一开始就是矩阵形式的。例如，文本等非结构化数据必须先经处理和操作，才能表示为矩形数据形式的一系列特征（参见1.1节）。对于很多数据分析和建模任务，存储在关系型数据库中的数据必须先被抽取出来，并置于一张表中。

表1-1显示了测量数据或计数数据（例如“持续时间”和“成交价”）及分类数据（例如“分类”和“货币”）。如上所述，二元变量（例如“是”或“否”,0或1）是一种特殊的分类数据。表1-1的最右一列是一个指标变量，表示拍卖是否进行了竞价。

表1-1：一种常见的数据格式

1.2.1 数据框和索引

传统数据库表会指定一列或多个列为索引。索引可以极大地提高某些SQL查询的效率。在带有pandas数据分析库的Python中，基本的矩形数据结构是DataFrame对象，并且在默认情况下，Python会根据DataFrame对象中行的次序，自动建立一个整数索引。pandas数据分析库支持设置多级或层次索引，以提高特定操作的效率。

在R语言中，基本的矩形数据结构是data.frame对象。data.frame隐含有基于行次序的整数索引。虽然用户可以使用row.names属性创建自定义键值，但是R语言的原生data.frame并不支持自定义索引或多级索引。data.table和dplyr这两个新的R包解决了这一缺陷，因而得到了广泛的使用。它们都支持多级索引，可以显著提高data.frame的使用效率。

术语上的差异

矩形数据的术语可能令人困惑。对于同一事物，统计学家和数据科学家使用了不同的术语。统计学家在模型中使用预测变量去预测一个响应或因变量，而数据科学家使用特征去预测目标。还有一个同义词尤其令人困惑。对于一行数据，计算机科学家使用样本这一术语；而对于统计学家，一个样本意味着一个行的集合。

1.2.2 非矩形数据结构

除了矩形数据之外，还有一些其他类型的数据。

时序数据记录了对同一变量的连续测量值。它是统计预测方法的原始输入数据，也是物联网设备所生成的数据的关键组成部分。

空间数据结构用于地图和定位分析，它比矩形数据结构更为复杂和多变。在对象表示中，空间数据关注的是对象（例如一所房子）及其空间坐标。与之形成对比的是，字段视图关注空间中的小单元及相关的度量值（例如像素点的亮度）。

图形（或网络）数据结构用于表示物理上的、社交网络上的和抽象的关系。例如，Facebook或LinkedIn等社交网络图表示了人们在网络上的相互联系；由道路连接在一起的分布汇聚点构成了一个物理网络的例子。图形结构对于某些类型的问题十分有用，例如网络优化和推荐系统。

在数据科学中，每种数据类型都有其独特的方法论。本书关注的是矩形数据，它是预测建模的基本构件。

统计学中的图形

在计算机科学和信息技术中，图形通常指对实体间关联情况的描述及底层的数据结构。在统计学中，图形用于指代各种绘图和可视化结果，而不仅仅是指实体间的关联情况。这一术语只用于指代可视化，而非数据结构。

1.2.3 拓展阅读

· R语言中数据框的相关文档。

· Python数据框的相关文档。