数据分析-数据来源、字段类型、数据采集陷阱

数据分析伴随着大数据的发展而兴起，在日常的生活中扮演着越来越重要的作用，今天从“数据的来源、数据类型、数据采集陷阱”开始逐步介绍数据分析方面的知识，其中有些许谬误，还请及时指点。

1.1 数据来源介绍

数据来源主要分为两大类，企业外部来源和内部来源：
外部来源： 外包购买、网路爬取、免费开源数据等；
内部来源： 销售数据、社交通信数据、考勤数据、财务数据、服务器日志数据等；

1.2 数据字段类型

数据字段可以分为四类：

定类数据： 按事物某种属性分类或分组，数字大小代表类别。比如性别（男和女）
定序数据： 数据的中间级，用数字表示个体在某个有序状态中所处的位置，不能做四则运算。比如您对天猫的满意情况如何？（非常不满意、比较不满意、中立、比较满意、非常满意）;
定距数据： 表现为数值，有单位，没有绝对零点，可以做加减运算，不能做乘除运算。比如，温度。
定比数据： 是由定比尺度计量形成的，表现为数值，可以进行加、减、乘、除运算。没有负数。

定比尺度，也可以称为比例尺度，它与定距尺度属于同一层次，它与定距尺度的区别在于是否有绝对零点。在定距尺度中，“0”表示某一个数值，而定比尺度中，“0”表示“没有”或“无”。例如，温度是典型的定距尺度，因为在摄氏温度中，0℃表示在海平面高度上水结冰的温度；但对于销售人员来说，“0”表示没有成交量，所以销量属于定比尺度。在实际生活中，“0”在大多数情况下均表示事物不存在，如长度、高度、利润、薪酬、产值等，所以在实际统计中，使用的多为比例尺度，即定比尺度。由于在定距尺度中，“0”表示特定含义，因此有些书上把定距尺度看做是定比尺度的特殊形式，两者不加区别。

1.3 数据采集陷阱

数据的采集陷阱主要表现为三方面，分别为：

误差： 误差是指计算或测量中的采集值与实际值之间的差距。仪器产生的误差，软件故障使得数据断流造成的误差，通过人力采集数据这些都会造成误差。误差对数据质量的影响可以不用考虑。

偏差： 偏差在这里指特定分析值与平均值之间的差距。偏差对样本数据质量的影响是不得不考虑的。常见的由偏差引起的逻辑错误被称为“幸存者偏差”，人们所见到的只是他们见到的，不一定能代表群体和“人类”，同时也提醒数据工作者，在采集数据时，一定要留意样本中是否存在偏差。保证数据尽可能随机，可以有效减少样本偏差。同时可以采用查看主要特征的分布情况，以查看偏差的情况。

独立性： 衡量样本间相关关系的度量，好的采集数据应该让样本与样本间尽可能地相互独立。