什么是数据？

数据是数据科学的原始材料。可以把它看作是为分析而收集的事实、数字、观察结果、符号或描述的集合。在我们获取见解或构建模型之前，首先需要了解我们正在处理的是什么。

从根本上讲，数据代表着信息片段。但在数据科学的背景下，我们通常认为数据是任何可以被数字化记录、存储和处理的事物。它不仅仅是电子表格中的数字，尽管那是一种常见形式。数据可以多种多样：

• 数字： 气象站记录的温度（$25.5^\circ C$），股票价格（$175.30$），网页链接的点击次数（1,204）。
• 文本： 客户评论（“很棒的产品！”）、电子邮件、文章、社交媒体帖子。
• 图像： 照片、医学扫描（如X射线）、卫星图像。每张图像都由像素组成，每个像素的颜色和强度都可以视为数据。
• 音频： 录音中的口语、音乐、产生声音模式的传感器读数。
• 视频： 图像序列与音频的结合。

考虑一个简单例子：追踪一家小型网店的销售情况。数据可能包括：

• 客户姓名（文本）
• 购买商品（文本/分类）
• 购买金额（数字，特指货币）
• 购买日期和时间（日期/时间）
• 客户地点（文本/分类）

每条信息，例如“Alice Smith”、“笔记本电脑包”、“$49.99$”、“2023-10-26 14:30:05”、“New York”，都是一个数据点或观察值。当我们收集许多此类相关观察值时，通常会将它们组织成一个数据集。通常，这个数据集采用表格形式，其中行代表单个记录（如单次购买），列代表不同的属性或特征（如客户姓名、商品、价格）。

客户ID      | 姓名  | 商品  | 价格   | 购买日期        
-----------|-------------|--------------|-------|--------------------
101        | Alice Smith | Laptop Bag   | 49.99 | 2023-10-26 14:30:05
102        | Bob Johnson | USB Cable    | 12.50 | 2023-10-26 15:01:22
101        | Alice Smith | Mouse        | 25.00 | 2023-10-27 09:15:10
...        | ...         | ...          | ...   | ...

一个表示客户购买情况的简单表格数据集。

区分原始数据和信息很重要。原始数据，比如数字 101，独立来看可能意义不大。只有当我们赋予它背景时，它才成为信息。知道 101 代表“Alice Smith”的 客户ID 使其具有意义。数据科学通常涉及将原始数据转换为有用的信息，并最终转化为可操作的见解。

了解什么是数据是重要的第一步。识别其各种形式使你能够思考如何组织、清理和分析它，这些是我们接下来会介绍的主题。