Skip to content

Statistics › 敘述統計 › 資料型態

資料型態與量尺 (Data Types & Measurement Scales) ​

資料型態決定能用哪些統計量、哪種圖、以及之後能做哪種檢定。型態判錯,後面整條分析都會被污染。

四種量尺 (NOIR) ​

量尺大類特性集中趨勢離散圖例子
名目 (Nominal)類別 (qualitative)無順序眾數—長條圖血型、物種、基因型
順序 (Ordinal)類別有順序,但間距不等中位數、眾數IQR有序長條圖Likert 1–5、腫瘤分期
區間 (Interval)數值 (quantitative)間距相等,沒有真零點平均數SD直方圖、Boxplot攝氏溫度、年份
比率 (Ratio)數值間距相等,有真零點平均數 / 中位數SD、IQR直方圖、Boxplot身高、濃度、read count
  • 真零點 (true zero):0 代表「完全沒有」。收入 0 = 沒收入(Ratio);0°C 不代表沒有溫度(Interval)。所以可以說「收入是兩倍」,但不能說「20°C 是 10°C 的兩倍熱」。
  • 量尺高低:Nominal < Ordinal < Interval < Ratio。可以往下降級(把 Ratio 當 Ordinal 用),不能往上升級。

數值型再細分:

類型說明例子
連續 (continuous)範圍內任何值身高、表現量 (expression level)
離散 (discrete)只能是可數的整數子女數、read count、突變數

結構化 (structured,表格) vs 非結構化 (unstructured,文字、影像、序列) 也會影響分析:非結構化資料通常要先萃取 / 標註,才能套用標準統計流程。

在 pandas 中檢查型態 ​

python
import seaborn as sns

df = sns.load_dataset("iris")

df.dtypes                       # 各欄型態:sepal_length float64 ... species object
df.describe()                   # 數值欄摘要:count / mean / std / min / quartiles / max
df.describe(include="object")   # 類別欄摘要:count / unique / top / freq
pandas dtype可能的量尺要注意
int64、float64Interval / Ratio可能其實是編碼過的類別(1=男、2=女)
objectNominal / Ordinal有沒有順序?
categoryNominal / Ordinal順序型要設 ordered=True
boolNominal(二元)當類別處理
datetime64特殊用 時間序列 方法

警告

  • Likert 量表、腫瘤分期常被存成 int64,但本質是 Ordinal,不是數值。務必看資料字典 (data dictionary)。
  • ID 與 metadata(sample ID、檔案路徑、時間戳記)看起來像變數,但不該被當成量測值去算平均。

型態錯誤的常見後果 ​

錯誤後果
把類別 ID 拿去算平均數字毫無意義
把 Ordinal 當成等距數值平均數隱含「每級間距相等」的假設
日期存成字串失去時間順序與間隔
類別變數直接丟進模型當數值模型誤以為 3 > 2 > 1,見 Categorical Encoding