外觀
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、float64 | Interval / Ratio | 可能其實是編碼過的類別(1=男、2=女) |
object | Nominal / Ordinal | 有沒有順序? |
category | Nominal / Ordinal | 順序型要設 ordered=True |
bool | Nominal(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 |