內容介紹

將日常工作中遇到的數數據沖突和樣本源的方法進行總結，其中主要包括實際業務數據沖突、樣本選取問題、數據共線性 等思路，并且長期更新。

實際業務數據沖突

多業務數據源沖突是指來自多個或具有相同業務邏輯但結果不同的系統，環境，平臺和工具的數據。

沖突的不同特征

一般數據沖突類型：

• 數據類型：同字段數據的格式不同。例如注冊日期的字段包含字符串。數
• 據結構沖突：同一數據主體的描述結構存在沖突。
• 記錄粒度不同：訂單記錄的粒度可以基于ID存儲在一條數據中。
• 數據范圍定義：提取的數據字段含義不同發生沖突。
• 數據值不同：一般發生情況是格式問題。

一般數據沖突原因：

內部工具和第三方工具之間的數據沖突。

為什么獲得的數據與代理商或廣告媒體提供的廣告數據之間存在差異，有時差異會特別大？

網站分析工具獲得的數據與廣告媒體和代理商提供的數據之間不可避免地存在差異。

指標的不同定義，不同的收集邏輯，系統過濾規則不同，不同的更新時間，不同的監控位置等等不同步的原因都會產生這些問題。

一般數據處理方法：

目前來說沒有一個統一的標準，根據實際需要進行處理即可。

• 形成唯一數據：如果要進行總體摘要統計，則需要以某種方式消除沖突以便報告一個數據。
• 不消除沖突：而要使用所有沖突的數據。如果在進行整體流程統計分析時使用不同業務流程的不同數據，則不同的指標將具有更好的渠道轉換效果。要保證處理后的結果差異可解釋，且客觀穩定。

樣本的選擇

數據抽樣還是全量基于已經有的數據來說，肯定是數據越全越好，但是實際情況并不是那么理想，我們只能利用統計學的方法使用抽樣的方式進行取樣比較理想。

一般數據采樣方法：

抽樣方法通常分為非概率抽樣和概率抽樣。非概率采樣不是基于均等概率原理，而是基于人類的主觀經驗和狀態。概率抽樣基于數學概率論，而抽樣則基于隨機性原理。

• 簡單隨機抽樣：抽樣方法是根據等概率原理直接從總數中抽取n個樣本。這種隨機采樣方法簡單易操作；但這并不能保證樣本可以完美地代表總體。此方法適用于均勻分布的場景。
• 等距采樣：等距采樣是首先對總體中的每個個體進行編號，然后計算采樣間隔，然后根據固定的采樣間隔對個體進行采樣。適用于分布均勻或顯示明顯均勻分布規律，沒有明顯趨勢或周期性規律的數據。
• 分層抽樣：分層抽樣是根據某些特征將所有單個樣本劃分為幾個類別，然后從每個類別中使用隨機抽樣或等距抽樣來選擇個體以形成樣本。此方法適用于具有特征（例如屬性和分類邏輯標簽）的數據。
• 整群抽樣：整群抽樣是先將所有樣本分成幾個小組，然后再隨機抽樣幾個小組來代表總體。該方法適用于特征差異相對較小的小組，對劃分小組的要求更高。

注意的幾個問題：

數據采樣必須反映操作的背景，不存在業務隨機性及業務數據可行性問題，最重要的數據采樣必須滿足數據分析和建模的需求

數據的共線性

所謂共線性（也稱為多重共線性）問題是指輸入自變量之間的高線性相關性。共線性問題將大大降低回歸模型的穩定性和準確性。例如具有明顯共線性的數據：訪問和頁面瀏覽量；頁面瀏覽量和訪問時間；訂單數量和銷售等。

一般產生原因：

• 數據樣本不足，這實際上反映了缺乏數據對數據建模的影響的一部分。
• 許多變量具有基于時間的共同或相反的演變趨勢。
• 多個變量間存在一定的關系但是發生節點不一致，總體上變量之間的趨勢是一致的。
• 多個變量之間存在近似線性關系。簡單理解為一個 y=ax + b 這么一個關系。

檢驗共線性： 共線性通常由公差，方差因子和特征值的特征數據確定，做出判斷。

解決共線性的5種常用方法：

增大樣本量：

通過增加樣本消除由于數據量不足而出現的偶然共線性現象，也可能無法解決共線性問題，原因是很可能變量間確實存在這個問題。

嶺回歸（Ridge Regression）：

嶺回歸分析是專用于共線性問題的有偏估計回歸方法，本質上是一種改進的最小二乘估計方法。

逐步回歸：

一次引入一個自變量并進行統計檢驗，然后逐步引入其他變量，同時測試所有變量的回歸系數。

主成分回歸（Principal Components Regression）：

可以基于主成分進行回歸分析在不丟失重要數據特征的情況下避免共線性問題。

手動刪除：

覺得麻煩的話直接結合了手動經驗刪了就是了。
完全解決共線性問題是不可能的，因為所有事物之間都有一定的聯系。

在解決共線性問題的相關主題中，我們僅解決嚴重的共線性問題，而不是所有共線性問題。

以上就是如何使用python數據處理解決數據沖突和樣本的選取的詳細內容，更多關于python數據處理的資料請關注腳本之家其它相關文章！