常用数据类型

机器学习里，数据集根据业务含义，通常分为四大类：数值型、分类型、序数型、文本型。不同类型的数据，对应的特征处理方式差异很大，是特征工程的基础。

1. 数值型（Numerical Data）

数值型数据代表数量，可以进行大小比较和数学运算，分为连续数值和离散数值。

• 连续数值：取自一段区间内的任意数值，一般由测量得到。
  
  示例：身高、体重、温度、房价、收入
• 离散数值：只能取特定数值，大多是计数结果。
  
  示例：购买数量、页面访问次数、样本数量

适合直接送入回归类模型训练；数值的大小、差值都具备实际意义。

示例代码：

import pandas as pd
df = pd.DataFrame({
    "身高": [165.2, 172.5, 178.1],
    "购买数量": [2, 1, 5]
})
print(df.dtypes)

2. 分类型（Nominal Data，名义型）

分类型数据用于标记类别，类别之间不存在大小、先后顺序关系。
示例：性别、颜色、城市、商品品类

只能判断是否相等，不能比较大小，例如不能认为“红色＞蓝色”。
原始字符串无法直接输入模型，常规处理方案：独热编码（OneHot）。

注意区分序数型：名义分类只有类别标识，没有顺序。

3. 序数型（Ordinal Data）

同样属于类别数据，但类别之间存在天然顺序，类别之间的间隔无法量化。
示例：评价等级（差、一般、良好、优秀）、学历、服装尺码 S/M/L/XL

可以比较顺序：优秀＞良好，但是不能认定“优秀 − 良好 = 良好 − 一般”。
常规处理方案：标签编码（LabelEncoder）映射为 0,1,2,3 这类数字。

4. 文本型（Text Data）

自然语言字符串，内容长度不固定。
示例：用户评论、新闻标题、对话记录、产品描述

原始文本不能直接交给模型，需要文本特征工程。
常规处理方案：词袋模型、TF-IDF、词嵌入（Word Embedding）。

四种类型对比表

类型	是否可比较大小	是否可做加减运算	常见处理方式
数值型	✅	✅	标准化、归一化
分类型（名义）	❌	❌	OneHot 独热编码
序数型	✅	❌	标签编码
文本型	❌	❌	TF-IDF、词向量

完整示例：Pandas 查看数据类型

import pandas as pd

data = {
    "体重": [55.2, 62.3, 70.1],          # 数值型
    "城市": ["杭州","宁波","温州"],        # 分类型
    "满意度": ["差","良好","优秀"],        # 序数型
    "评论": ["很不错","一般般","不推荐"]    # 文本型
}
df = pd.DataFrame(data)
print(df.dtypes)

小结

1. 数值型：支持加减运算；
2. 名义分类型：仅代表类别，无顺序；
3. 序数型：存在顺序，但差值无意义；
4. 文本型：自然语言，需要单独做特征提取。

新手常见问题：直接将字符串分类数据传入 sklearn，模型无法识别，必须先编码转换。

思考题

1. 周一、周二、周三属于分类型还是序数型？
2. 颜色编号：1=红，2=蓝，3=黄，能不能直接当成数值型训练？为什么？
3. 归一化一般针对哪一类数据？