备好数据后，数据科学家还要做什么？

大数据文摘出品

编译：元元、张馨月

在这个数据科学越来越火的时代，数据科学家的工作到底是怎样的呢?

数据科学越来越火，很多人都想转行入坑数据科学家，这当然是好事。可是很多人都以为数据科学、机器学习等等流行词对应的工作，就是把数据塞进Sckit-Learn这个算法库里而已。

事实远远没有那么简单，下面我带大家走进真实的数据科学世界。

让我们从数据搜集完成后开始讲起。

问题阐述

“数据消耗”反映了特定服务类别数据的下载和上传量，比如社交网络，音频等等。我们来看一个具体的例子。假设我们研究的是一个计数器，利用该计数器可以查看与亚马逊网络服务(Amazon Web Service，简称为AWS)连接的机器数量。

如果我们直接对原始数据进行分类，我们会得到如下结果：

我们可以注意到，这是对数据进行线性判别分析(Linear discriminant analysis，简称为LDA)后的二维示意图。理论上讲，LDA的结果可以体现出原数据的 ± 90%;虽然不是100%，但是这里我们可以看出，直接对数据进行分类完全没有意义。有人建议我换别的算法或者调整超参数，但是其实，把算法直接套在原数据上的想法糟透了。

理解数据

现在，我们来挖掘一番。数据到底长什么样?我强烈建议初学者多花些时间观察理解数据，而不要急着输入“from sklearn.cluster import KMeans”这样的代码行。这里我们研究一下这个例子的一个数据特征，但是请注意，大多数数据特征都是相似的。

下面是AWS计数器的结果(其实不是，但是我们就假定它是吧)

从上到下：总数，平均值，标准差，最小值，25分位，中位数，75分位，***值

我们可以看到，几乎所有的数值都为0。不过您仔细看会发现，其实有些值达到3千万。您用这样的数值直接计算出来的距离值，再带入LDA算法中就不可能有意义。即使您缩小数据的规模使所有的数值都在0—1之间，那么绝大部分的数值也都会在0到大概0.0000005之间，对计算距离也没有帮助。

如果我们只看非零的数值，分布就很有意思了：

数据处理

上图看起来像是LogNormal分布。现在我们就可以进行简单的数据标准化了。采用Box-Cox法可以转化LogNormal分布。这个方法可以把包含LogNormal在内的许多分布尽可能的标准化。

转换的过程就是把下面公式中的lamda值最小化。

我们的数据集中有大量的0，所以lamda值最小化后的结果如下图所示：(请注意：我们需要大于0的结果，因此我们先给每个数值加上1之后再用公式计算：

您可以看到上图中大概在9的位置有一个小突起，这就是我们大多非0值的位置。从计算距离的角度看，现在我们的数据分布已经比原来的好太多倍了，但是仍然有进步的空间。

让我们重新审视这个例子中数据的背景。我们想要根据机器的行为对其分类。在“机器对机器”的世界里，机器的行为包含了大量信息。“机器使用了亚马逊网络服务”这件事听起来很滑稽，但其实含义非常重要。

我们给这些机器编码，让它们承担特定的任务，比如报告天气、展示广告等等。它们做任务的代码都是编写好的，因而它们不可能随机的开始在脸书或者其他平台上操作。

事实上，它们可以使用一项服务(比如说AWS)本身就包含了大量信息。基于上面的分析，我决定对数据集中非零的数值进行标准化，使其规模在0.5到1之间;而对值为零的数据点保持不变。那么怎么标准化呢?当然是采用Box-Cox转化法——而且只对非零值进行转化。

请看下图的结果比较。左图是变换所有数据后得到的位于0—1区间的分布。右图是放大的0.5—1区间的分布。

虽然说左图看起来没有比前面的方法提升很多，但是我向您保证，在后面应用算法的过程中两者的区别很大。

结果

下面我们对经过预处理的数据重新分类。不需任何手动调整我们就得到了如下结果。

结论

我发现人们常常看到算法就如同打了鸡血，一头扎进建模的过程中。有的人甚至说，你不需要理解算法背后的数学原理。

我不赞同这个观点。我认为还是应该理解一个算法的基本原理，至少要能理解到知道什么样的数据输入才是有意义的。

比如说，我们刚才举例用的K-Means算法的基本原理就是点之间的距离，那么当您拥有“千万”这样的数量级时，您就不能期望直接把数据带入算法就会获得合适的结果，因为这时数值范围太大了。

综上所述，一遍一遍地检查数据，直到对它了然于胸，然后再让这些高级的算法完成后续的工作。