误入数据分析行业已有5年多，由于并非“科班”专业毕业，自己从编程到统计理论基础，从简单线性回归到SVM、GBDT、LSTM等复杂算法一路跌跌撞撞学习过来，蓦然回首，才发现做了这么久的数据分析、数据挖掘、大数据等，却没有系统地思考过“数据”这一最基础的要素的确切含义和特性。而所有行业中，基础要素的概念和特性，无疑都是武侠中的“气宗”之本，决定了最终修为的境界高低。回忆所学，似乎也没有哪本书专门讲过“数据”本身，大概大家都对这个词习以为常了吧，就像大家都对政府门前的石狮子习以为常了，很少去想中国境内有没有“狮子”这种动物。今天就结合工作中的个人体会，系统地梳理一下“数据”的概念和特性，欢迎大牛补充。
数据本质上是信息。
数据本质上是对信息的记载。从刻在龟壳上的甲古文，到记录在计算机磁盘上的文字，本质上都是对信息的记载。这些记载的信息，属于数据的一个子类：文本数据。互联网上80%以上都是文本数据，现阶段对于非结构化文本数据的挖掘分析，相比半结构化、结构化的文本数据和数字数据，还是很不充分的。
信息又是什么呢？信息是和物质、能量一起构成世界的三大要素之一。物质和能量相对好理解，没有物质，一切都不存在；没有能量，一切都是死寂的。没有信息呢？一切都没有意义。物质、能量和信息都是客观存在的，只不过人类认知到物质和能量的时间要远早于信息。直到1940年代香农的信息论问世，才奠定了信息学科的基础。
信息的价值不言而喻。战争中，掌握更多情报的一方占据巨大的、有时甚至是决定性的优势。经济学中，信息不对称是造成竞争优势的重要因素。商业决策中，一份具有洞见的咨询报告，即使只用到了简单的统计汇总，也能卖出天价，并给公司指明战略方向。二战中，苏联面对德国的围攻，欧洲战场已无兵可用，但远东部署的60万兵力却不敢调回。关键时期，苏联的特务获知并向莫斯科发送了1比特的情报信息：日本将南下。斯大林得知后，迅速将远东的60万兵力调回欧洲，投入战争中，对扭转整个二战战局起到了不可估量的作用。可见，即使是最小单位的信息量，也可能产生无上的价值。
信息是如此的基础，以至于在人类涉及的所有领域中都会用到。而数据本质上是信息，数据分析就是挖掘信息，因此数据分析在国防、政府决策、战争、金融、电信、互联网、医药、心理学、社会学等领域中都有应用。关于数据的应用案例，推荐去读余子沛先生的《数据之巅》这本书，它讲了美国在200多年的历史中，几乎把数据分析应用到了国家的方方面面的案例，真正接近于运用数据的巅峰状态。
理解了数据的本质，也就明白了行业中常说的“数据是新石油”的含义。我们知道石油储蕴含着能量，而发动机引擎是将此能量可控地释放出来，为人类所用的工具。发动机本身是不产生能量的，它输出的动力性能如何，最主要还是要看喂给它的能量原料如何，其次才是这个发动机的性能如何。“数据是新石油”，这个类比真的很贴切：数据里蕴含着信息！数据挖掘80%的时间花在数据清洗上，这个步骤类似于对石油的提炼，清洗好的数据，相当于提炼好的汽油、柴油等；而各个机器学习算法如SVM、GBDT等，相当于发动机引擎，它们是把数据中蕴含的信息释放出来的工具。做数据分析、数据挖掘的人，最后往往发现自己最需要练好的，不是各个算法的调优啊、推导啊之类看似高大上的技能，反而是数据清洗和加工的功底。是不是感觉被欺骗了？这也是很多新人容易跑偏，眼高手低，老是想去做高大上的模型，看不起清洗数据这类“低级活”的原因。
数据与数字的区别。
可能还是有部分新人和外人直觉上认为数据就是数字，这里特意强调一下这两者的区别。数字是量化了的数据，可以进行加减乘除等数学运算的。数字的“可运算”性是非常重要的，因为一旦可运算，就与数学建立了联系，我们就可以借助整个数学帝国中的工具去分析、优化它来达到目的。而数据更多是指信息，“我们没有数据，所以不知道平衡车的市场前景如何”这样的话中，“数据”的本意就是信息。数据的表现形式除了数字，还可以是文本、图像、音频、信号等等，并且图像识别、自然语言处理、语音识别等也都是机器学习的应用领域。这些数据都不可运算，那数学算法是如何去计算并优化它们的呢？这里就涉及到数据的转换和表征了，所谓表征，就是用可计算的数字，来表示这些不可计算的数据，并且尽量保持数据中的原本信息。数据的表征后面再细谈，这里主要强调一点：一旦用数字表示了文本等不可计算的数据后，就可运算了。
数据与生产者、方差因子。
所有的数据都不是从石头缝里蹦出来的，一定有产生它的生产者。在进行任何数据分析之前，我们必须先搞清楚这些数据是怎么来的，即生产者是谁，生产逻辑是什么。这对于我们理解数据十分重要。比如人的身高、体重、三围数据，人是生产者，生产逻辑是按国际长度标准和质量标准测量的。我在工作中曾经碰到过部分建模同事，做完模型汇报工作时，被领导询问却答不出一个变量的确切含义。数据的含义都没弄清楚，又如何确保你使用数据的姿势水平优不优雅、正不正确呢？
但仅有生产者和生产逻辑是不够的，不同人的这些指标不同，差异的源头来自哪里呢？除了这些显性的、可直接观测的数据之外，显然还有一些隐性的、抽象的内在因子，它们造成了观测数据的差异，因此称做方差因子。显然性别是一个重要的因素，它对身高、体重、三围都有重要的影响，当然性别是一个可观测的方差因子。在语音识别领域中，演讲者的性别、年龄、国籍、口音等，都是造成音频信号差异的重要因子。数据挖掘，很大程度上就是要提取、分析出业务领域内的方差因子，并从各个维度上量化这些方差因子。比如作者从事的风险建模领域内，一个人的信用逾期风险，与贷款收益、还款能力、履约历史、共债水平、稳定性、违约成本等方差因子强烈相关，因此特征工程都以这些方差因子作为指导方向，而选择出的特征也往往反映了这些维度的信息。因此，如果想要挖掘到深处去，一定不能停留于数据的浅表，而要不断地思考并尝试，直到提取出内在的方差因子。而想要找出内在的方差因子，一般又需要对业务知识有足够的了解，因此业内的牛人都会告诉你，一定要理解业务，一定要结合业务，就是这个道理。
数据与产生时的场景。
所谓产生时的场景，是指这些数据被生产出来时，其生产者和生产逻辑的上下文环境。某种程度上，生产者和生产逻辑都是静态信息，有时候只了解这些静态信息是不够的，还要了解场景这一重要的动态上下文信息。如果你在分析数据时觉得不对劲，排除数据出错的可能后，首先就应该去检查它的场景。而想要还原场景，最重要、最不可或缺的就是时间戳。有了时间戳，我们就可以问这个关键的问题了：当时发生了什么？然后查大事记、询问干系人等，一般都能顺利还原出数据产生的场景。曾经有实习MM问“我们10月1号的申请量比平日高了几倍，是不是被黑中介人肉攻击了？”，其实她的问题中已经包含了答案，只是她不懂得还原场景：十一是国庆节啊妹子！也有新人做分析时自动把时间、日期、id等变量自动剔除——时间信息又不能入模型，为什么要留着它呢。这种想法大错特错，不能入模，不代表这个变量不重要。时间信息，恰恰是很少入模，而又最重要的场景信息！
场景除了帮助理解数据，在查找问题时也特别有用。工作中经常遇到已经正常在线上跑了几个月的模型，突然又出错误了。为了救火省时间，我一般首先查找公司最近是不是又上新版本了，哪里改动了什么。然后抽取改动时间点前后各部分数据，快速分析对比一下错误变量的数据，一般就能定位问题了，剩下的事情就是通知干系人去改bug了。
数据与时间戳、id。
上面提到的时间戳，除了能还原场景，还有很重要的作用。你可以认为我们活在三维空间中，也可以认为我们活在四维空间中——如果加上时间维的话。去掉时间维，很多变化的、重复的数据都比较棘手，难以应付；而站在四维的角度看待问题的话，一切都是静止的、不变的，因此问题的复杂度大大降低（这是从函数式编程中借鉴的思想，特别推荐感兴趣的朋友去了解一下）。如果告诉你我国的人口是12亿，你肯定会说“这数据错了吧”，假如你去数据库里面一查，我的天，库里面为什么为有10、11.4、12、13、13.6、14亿等这么多个人口数据？哪一个才是正确的呢？其实这些数据都是正确的，只不过是不同年份里统计出来的。加上时间维度后，重复性便不存在了，更进一步，我们还有了更多的信息（历史信息）。有了历史信息，我们便可以看趋势、也可以做对比，还能够做预测等等。这个随手举的简单例子，显示出数据的时间属性的基本作用，以及缺失时会面临的基本问题。我工作中，曾经遇到过IT在数据库中建了个没有时间戳的表，查询问题、去重、增量抽取等很多操作都存在问题，遗害不浅。借用函数式编程里的一句话来强调一下：时间是一个本质的问题。
同样本质的还有数据关联的id，此id代表了数据属于谁，是与其他数据联结在一起的基础。在讲数据的基本特性时会提到，数据融合后的价值，远大于数据价值的加和，而想要把一个个数据孤岛连通，就需要id这个独木桥。数据的id，几乎是关于这个数据最重要的信息，它一般不能用于分析，也不能入模，最主要的作用是定位数据。但离了这个id，数据便成了无主之野魂，利用价值大打折扣。有些人做模型时，喜欢把清洗好的，能用来跑模型的特征单独取出来用一个表保存，其他的id、时间、原始特征等数据都不在这个表中。这种做法是极不推荐的，这样做丢失了最重要的id、时间和原始数据，却保存了一份完全可以再生的衍生数据。正确的做法是：如果磁盘空间有限，就保存好所有原始数据和衍生代码；如果磁盘空间富裕，就把原始数据和衍生数据保存在同一个表中，并在代码中记录好哪些字段是衍生字段，然后保存代码即可。
数据的再生性和粒度。
有些数据是可以再生的，而有些数据丢失了就再也找不回来了。像衍生类的数据，都是可以根据原始数据再计算出来的；而像时间戳这样的数据，数据产生时没有打上，就永远丢失了。
数据的粒度，是指记录数据的详细程度。最详细的数据，肯定是事物性的数据，一行一条记录。这样的数据，包含最丰富的、最原始的信息，因此是必须保存好的。但这样的数据通常也是量最大的，直接分析这样的数据比较困难，计算速度也慢。因此需要将常用的指标按天、周、月、年汇总计算出来。按不同维度汇总，我们就称粒度的粗细不同，比如按年汇总，就是最粗粒度级别。另外时间维只是我举的一个例子，也可以按地理维、产品维度等其他维度汇总统计，这些维度也都有不同的层次关系，层次越高，粒度越大。还可以综合好几个维度来计算，比如把时间维、地理维、产品维一起综合计算了，这就是一个多维立方体了，更详细的可以参考OLAP相关的理论知识。显然除了最细粒度的事物性数据，其他数据都是可再生的。
保存数据时，原则是优先保存最原始的，不可再生的数据，再按实际情况权衡计算各种衍生数据；常用的业务分析时，原则是先分析粗粒度的统计数据，有异常时再去提取原始数据检查。
一不小心篇幅有点多，数据的基本特性就另起一篇文章吧。