1.結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)

某些數(shù)據(jù)集具有很好的結(jié)構(gòu)性，就像數(shù)據(jù)庫中的數(shù)據(jù)表或電子表程序中一樣。而其他的數(shù)據(jù)以更多樣的形式記錄著有關(guān)世界狀況的信息。它們可能是像維基百科這樣包含圖像和超級鏈接的文本語料庫，也可能是個(gè)人醫(yī)療記錄中出現(xiàn)的復(fù)雜的注釋和測試結(jié)果的混合數(shù)據(jù)。

數(shù)據(jù)通常由一個(gè)矩陣表示，矩陣的行表示不同的條目或記錄，列則表示這些條目的不同屬性特征。例如，關(guān)于美國的城市數(shù)據(jù)集中每一行代表一個(gè)城市，每列則代表州、人口和地區(qū)等特征。

當(dāng)面對一個(gè)非結(jié)構(gòu)化數(shù)據(jù)源時(shí)(例如一組來自Twitter的推文集合)，我們通常首先要構(gòu)建一個(gè)矩陣以使這些數(shù)據(jù)結(jié)構(gòu)化。詞袋模型可以構(gòu)建一個(gè)矩陣，每條推文對應(yīng)矩陣中的一行，每個(gè)常用詞匯對應(yīng)矩陣中的一列。矩陣項(xiàng)M[i, j]則表示推文i中單詞j出現(xiàn)的次數(shù)。

2.定量數(shù)據(jù)與類別數(shù)據(jù)

定量數(shù)據(jù)由數(shù)值組成，如高度和重量。這些數(shù)據(jù)可以被直接帶入代數(shù)公式和數(shù)學(xué)模型，也可以在傳統(tǒng)的圖表中進(jìn)行表示。

相比之下，類別數(shù)據(jù)則由描述被調(diào)查對象屬性的標(biāo)簽組成，如性別、頭發(fā)顏色和職業(yè)。這種描述性信息可以像數(shù)值型數(shù)據(jù)一樣精確而有意義，但不能使用相同的方法進(jìn)行處理。

類別數(shù)據(jù)通?？梢赃M(jìn)行數(shù)字化編碼。例如，性別可以表示為男=0或女=1。但如果每個(gè)特性包含兩個(gè)以上字符，尤其當(dāng)它們之間沒有隱序時(shí)，事情會變得更加復(fù)雜。我們可以對頭發(fā)的顏色進(jìn)行數(shù)字化編碼，即為不同顏色匹配不同的數(shù)值，如灰色頭發(fā)=0、紅色頭發(fā)=1以及金色頭發(fā)=2。然而，除了單純地進(jìn)行特征識別之外，我們并不能真正將這些值視為數(shù)字。討論頭發(fā)的最大或最小顏色有什么意義呢?又如何解釋我的頭發(fā)顏色減去你的頭發(fā)顏色的含義呢?

3.大數(shù)據(jù)與小數(shù)據(jù)

在大眾眼中，數(shù)據(jù)科學(xué)已經(jīng)與大數(shù)據(jù)混為一談，數(shù)據(jù)科學(xué)以計(jì)算機(jī)日志和傳感器設(shè)備產(chǎn)生的海量數(shù)據(jù)集為分析對象。原則上，擁有更多的數(shù)據(jù)總是比數(shù)據(jù)少要好，因?yàn)槿绻斜匾?，可以通過抽樣來舍棄其中的一些數(shù)據(jù)，從而得到一個(gè)更小的數(shù)據(jù)集。

擁有大數(shù)據(jù)是件令人興奮的事。但在實(shí)踐中，處理大數(shù)據(jù)存在一定的困難。一般來說，一旦數(shù)據(jù)量過大，事情就會變得更困難。大數(shù)據(jù)的挑戰(zhàn)包括：

一個(gè)分析周期所用的時(shí)間隨著數(shù)據(jù)規(guī)模的增長而變長：對數(shù)據(jù)集的計(jì)算性操作會隨著數(shù)據(jù)量的增加而花費(fèi)更長的時(shí)間。電子表格可以提供即時(shí)響應(yīng)，允許用戶進(jìn)行實(shí)驗(yàn)測試以及驗(yàn)證各種假設(shè)。但計(jì)算大型電子表格時(shí)，會變得笨拙而緩慢。處理大規(guī)模數(shù)據(jù)集可能需要數(shù)小時(shí)或數(shù)天才能得到結(jié)果。為了處理大數(shù)據(jù)，要采用高性能算法，這些算法也已展現(xiàn)出驚人的優(yōu)越性。但是絕不能為了獲得更快的計(jì)算速度而將大數(shù)據(jù)拆分為小數(shù)據(jù)。

大型數(shù)據(jù)集復(fù)雜的可視化過程：在計(jì)算機(jī)屏幕或打印的圖像上不可能將大數(shù)據(jù)中的數(shù)百萬個(gè)要點(diǎn)全部繪制出來，更不要說對這些數(shù)據(jù)進(jìn)行概念性的理解了。我們無法滿懷希望地去深入理解一個(gè)根本無法看到的東西。

簡單的模型不需要大量的數(shù)據(jù)來匹配或評估：典型的數(shù)據(jù)科學(xué)任務(wù)是基于一小部分變量做出決策，比如，根據(jù)年齡、性別、身高、體重以及現(xiàn)有的醫(yī)療水平來決定是否應(yīng)該為投保人提供人壽保險(xiǎn)。

如果有100萬人的生活相關(guān)數(shù)據(jù)，那么應(yīng)該能夠建立一個(gè)具有較好保險(xiǎn)責(zé)任的一般模型。但是當(dāng)數(shù)據(jù)量擴(kuò)充到幾千萬人時(shí)，可能對于優(yōu)化模型就不再產(chǎn)生作用了。基于少數(shù)幾個(gè)變量(如年齡和婚姻狀況)的決策準(zhǔn)則不能太復(fù)雜，而且在覆蓋大量的保險(xiǎn)申請人數(shù)據(jù)時(shí)呈現(xiàn)出魯棒性。那些不易被察覺的發(fā)現(xiàn)，需要大量數(shù)據(jù)才能被巧妙地獲得，而這卻與數(shù)據(jù)體量的大小無關(guān)。

大數(shù)據(jù)有時(shí)被稱為壞數(shù)據(jù)。它們作為已有系統(tǒng)或程序的副產(chǎn)品被收集起來，而不是為了回答我們手頭已經(jīng)設(shè)計(jì)好的問題而有目的地收集來的。這就使得我們可能不得不努力去解釋一些現(xiàn)象，僅僅是因?yàn)槲覀儞碛辛诉@些數(shù)據(jù)。

總統(tǒng)候選人如何從分析選民偏好中獲得收益?大數(shù)據(jù)方法可能會分析大量的Twitter或Facebook上的網(wǎng)絡(luò)數(shù)據(jù)，并從文本中推測出選民的觀點(diǎn)。而小數(shù)據(jù)方法則通過民意調(diào)查，對特定的問題詢問幾百人，并將結(jié)果制成表格。哪種方法更準(zhǔn)確呢?正確的數(shù)據(jù)集與要完成的任務(wù)具有直接相關(guān)性，而不一定是那個(gè)數(shù)量最大的數(shù)據(jù)集。

不要盲目地渴望分析大型數(shù)據(jù)集。尋找正確的數(shù)據(jù)來回答給定的問題，而不是做沒有必要參與的“大事情”。