终于有人把数据挖掘讲明白了

01

什么是数据挖掘

数据挖掘（Data Mining）应该是一门大家都听说过，但又不太容易说清楚的课程。在数据科学领域，乃至在更大的计算机科学领域，数据挖掘就好比山东蓝翔，大家不一定都知道挖掘机要怎么开，但一定都知道挖掘机技术到底哪家强。

不过，知名度高也未必全是好事，尤其是啤酒尿布的故事太经典，反而会让大家以为这活很“高端”，离自己太远，不会用也用不上。其实，很多人未必学过数据挖掘，甚至可能没有听过这四个字，但实际已经早就开始在进行数据挖掘。譬如说股民。

很多人说今年的行情很有希望，要去学炒股。学炒股就是学股市中的数据挖掘，流派很多，譬如说技术分析流，认为K线图或者其他什么图，和股市后市走势关系密切；价值投资流则认为，通过一整套考察公司的指标体系，才能更好地推测股票的未来价值；当然也有一些旁门左道，譬如说门口大妈流，就是看到门口卖菜的大妈开始谈论股票的时候，说明行情就见顶了，要赶紧抽身。不管你钟情哪种方法，所要做的事都非常类似，就是把从各种地方收集的信息，也就是“数据”，加以整理分析，挖掘出和你关心的对象的目标关系。

这样的例子还有很多，譬如数据挖掘非常非常常用的异常检测，别看这词挺学术，我举个例子大家肯定就知道了，体检。虽然这是个枸杞配啤酒的朋克养身时代，不过预防疾病还得靠体检。但是，体检的结果是一堆的指标项，是数值，但数值本身是不会告诉你身体有没啥毛病，得首先有一个标准区间，然后发现指标异常，接着还要建立指标和疾病之间的关联关系，完成了这些前期工作，最后才能通过体检告诉你身体是不是还能再战五百年。这些前期工作就是数据挖掘。说回我们的老本行计算机，异常就更多了，譬如说WEB日志，经常需要进行异常检测从而发现网络入侵。

这都是数据挖掘。不是按某本名叫《数据挖掘》的书的某某方法依样画葫芦才叫数据挖掘，正好相反，是大家在各种数据挖掘的实践中形成了一些方法和工具，大家都觉得很好用，研究人员就加以收集整理，理清条理形成体系，才最终诞生了“数据挖掘”这门课。

02

数据挖掘和机器学习、模式识别

当你真的开始去学数据挖掘，遇到的第一个问题很可能是犯迷糊。数据科学领域有三朵金花，分别是数据挖掘、机器学习和模式识别，而数据挖掘的知识体系，和同样非常热门的机器学习以及模式识别有很高的重合度，那种感觉，不是在同一赛道有三名选手，而更像是在三条赛道看到了同一名选手。当然，就我的意见，这三个名词究竟存在怎样的我心中有你你心中有Ta的复杂三角关系，其实一点也不影响学习，毕竟有位红帽白须的老爷爷曾经说过，小孩子才做选择，成年人当然是全都学。三角关系越是复杂，要学的内容越是分不清你我，总的学习成本反而会更低。

但是，问题确实存在，不管看着有多像，但毕竟是有三个词，加上“到底该学哪个”这类的问题常年盘踞提问排行榜，这里我还是想尝试先回答。首先要说的是，数据挖掘、机器学习和模式识别三者并不存在什么无法逾越的鸿沟，经常出现一个算法到处客串的情况，边界越来越模糊已经是肉眼可见的大趋势。就核心内容来看，机器学习主要是工具集，数据挖掘和模式识别，则是这套工具集的两块用武之地，所以，在学习数据挖掘和模式识别的课上，你不用意外，无论选用什么教材，肯定都会看到非常多机器学习的老面孔。

再说模式识别。模式识别的重点在于两个字，识别，所以一般的应用形式都叫XX识别，譬如说现在大家都很熟的人脸识别，往大了说就是图像识别。除了图像，模式识别也研究其它各种数据形式，譬如音频类的语音识别，以及文本类的自然语言识别，当然，现在更习惯称之为自然语言理解。

最后回到我们今天的主角，数据挖掘。在写作时，我很想找到一条对数据挖掘的形式化定义，让大家能有一些具象的感觉，翻了很多资料，最后也只能宣告放弃。不过，这些资料虽然没有，我姑且取个交集，结论大概是所谓的数据挖掘，就是在各种数据之中，通过一定的方法和工具，挖掘发现感兴趣的知识。

归结来说，数据挖掘就是要解决三个问题，去哪挖、挖什么和怎么挖。下面我们就分三个部分分别介绍，数据挖掘是怎样思考这三个问题的。

03

去哪挖

数据挖掘数首先要解决的问题自然就是“数据”的问题，也就是去哪挖的问题。很多人也许觉得，这算个啥问题，数据挖掘数据挖掘，当然就是去有“数据”的地方挖。我听过一些数据挖掘的课程，也参加过一些数据挖掘的比赛，给我的一个很深的感觉就是，数据是现成的，它就摆在那里，看得见摸得着，你要做的就是上家伙削它。

真的是这样吗？不对。数据在哪里是一个非常值得花时间仔细思考的问题。很多书把数据挖掘称作数据掘金，这个比喻恰如其分，挖数据也好挖金子也罢，是不是可以随便找个什么地方盘腿坐下，只要一套组合技高水平地施展完毕，金子就能“哗”地蹦出地面？肯定不是。你要挖着金子，那个地方首先得有金子。在没金子的地方挖金子，不管再怎么努力，用什么方法工具，都不可能挖到金子，因为这叫缘木求鱼。

这个问题许多书本都不太爱展开，确实，数据挖掘和哈姆雷特差不多，一千个挖掘项目有一千种挖掘需求，怎么总结也很难避免落一个挂一漏万的结果。不过，前面我们说什么是数据挖掘的时候，举了学炒股做例子，不妨多说两句，也许可以给大家带来一点思考。

我们说炒股有很多流派，有技术分析流，有价值投资流，还有门口大妈流，这些流派要解决的都是同一个问题，后市走势问题，但是，到底什么才和后市走势相关、最好是密切相关呢？不同流派有不同看法，结果就是大家所选择要去挖掘的数据并不相同，技术分析流看的是K线图，价值投资流看的是公司运营情况，门口大妈流则选择去看门口大妈。我们假设一个极端的情况，假设K线图真的是像一些人说的，准确性还不如找猴子掷飞镖来得高，也就是K线图和后市走势实际没啥关系，那水平再高的大牛花再多的时间研究，最终也不可能从K线图中找出真正有价值的信息。

去哪挖？去有金子的地方挖。

04

挖什么

数据挖掘，挖的当然是数据了。不过，数据的形式有很多种。按数据类型来分，数据挖掘主要处理非依赖性数据和依赖型数据。非依赖性数据相对简单，也就是我们通常所说的“多维数据”，一条记录包括多个项目。这么说也许比较抽象，其实我们都见过，回忆一下填过的各种表格，譬如说报名表，需要填姓名、性别、年龄等等信息，这就是典型的多维数据

不过，想也知道，这些不同的项目，里面的数据格式是不尽相同的。譬如说姓名填写的是文本，性别通常是二选一，而年龄则是一个数字。在数据挖掘中，这些不同的格式也要区别对待。我看过一些数据挖掘的教材，把这些类型分得很细，充分体现了学术的严谨性。不过有些类型的名字起得太学术，还要对名字本身进行解释，这样文章篇幅就长了。这里我按经验整理，大致可以化为以下三种：

• 连续型数据。连续型数据首先是数值数据，而“连续”是相对于“离散”而言的，数值序列中间不会出现中断或者跳跃，譬如说年龄、气温就是此类。
• 离散型数据。离散型数据同样也是数值数据，简单来说就是“不连续”的数据。你可能会好奇，什么样的数据会不连续呢？很多，譬如说性别，我们用0表示女，1表示男，那性别这一栏就要么是0要么是1，中间不会有其它的值，这就是典型的离散数据。
• 文本型数据。前面我们一直在强调数值数据，但文本型数据在自然环境中同样非常常见，譬如说姓名，又譬如说前面提到的门口大妈流，这些都是以文本形式存储的数据。不过众所周知，文本型数据是没法直接进行计算的，一般需要通过转换成向量来进行分析。

非依赖型数据最大特点就是各个数据项彼此独立，相互之间没有依赖关系，不会“牵一发而动全身”，所以操作难度相对较低。

说完了非依赖型数据，再说说依赖型数据，所谓的“依赖”，也就是数据项之间存在某种关联变化的关系，数据挖掘将这种关系又具体分为隐式依赖关系和显示依赖关系，二者的区别在于前者的依赖比较含蓄，后者更加赤果果。但我觉得两者边界十分模糊，这里只说“依赖”究竟是怎么一回事。

数据挖掘将依赖型数据分为以下三种：

• 序列数据。序列数据是可以再细分的，包括连续型序列数据和离散型序列数据，但它们的特点都是明显存在着上下文依赖关系，譬如说最常见的时序数据，也就是时间序列数据。这是一种连续型的序列数据，上一个时间片和下一个时间片存在着显式或隐式的依赖关系。我们在前面已经介绍了一种序列数据，K线图。K线图是典型的时序数据，大家一般认为，行情的当前走势和未来走势是存在着某种依赖关系的，细分来说，是隐式依赖关系。
• 空间数据。空间数据通常就是坐标数据，最容易联想到地理位置坐标，也就是经纬度，但“坐标”的应用非常广泛，譬如说宏观经济的各种指标，不同的国家通过逻辑编码，同样可以构成坐标。就我的经验，空间数据经常和时间密切关联，形成某种轨迹性质的图像，也叫时空数据，和时序数据可能会存在交集。
• 图数据。图是计算机科学中很常用的一种数据结构，经常用来表示几个节点之间的关系，而在我们生活中也经常能看到各种“关系图”，所以，图数据自然也是一种典型的依赖型数据，而且往往是显示依赖关系。

05

怎么挖

怎么挖是数据挖掘的重点内容，有很多道工序，每一道工序展开又能是一整套方法体系。总的来说，数据挖掘有三大块工序，数据采集、数据预处理和数据分析。

先说这个数据采集吧，在很多人的直觉中，“数据”就是一个文件，它就岁月静好地躺在那里，你写程序去读了就好，许多数据比赛也强化了这一印象。但实际上，数据可能产生于多个不同的地方，譬如说类型完全不同的传感器，又譬如说各种不同的Web网站，火了很久还将火很久的大数据，就是从Web开始的。Web数据有最大的特点就是“大”，动不动就说我几秒产生多少个T的数据，到底有多大不要问，问就是海量。那海量数据采哪些怎么采、怎么存储、流式数据怎么分析，每一步都是一个问题，都需要你需要想各种办法。完成数据采集，将各种所需数据存入数据库，这就形成了数据仓库。这是数据挖掘的基础。

数据预处理主要是特征提取和数据清洗，包括了对原始数据进行类型转换、缺失值填补、将文本数据数据化向量化、缩放标准化等等等等。数据预处理将直接决定数据的最终质量，对挖掘结果产生十分显著的影响，有非常多的经验和技巧，完全可以再写一篇文章。

最后才是数据分析。我刚学的时候，以为“数据挖掘”就是数据分析，相信很多朋友都有过同样的误会，现在知道了，需要经历前面的千山万水才能走到这一步。但是，虽然在流程上，数据分析是最后一步，但这是最核心的一步，最终能挖到金子还是钻石，还得靠这一步。在另一方面，到了数据分析阶段，任务的背景相对就淡化了，而问题的共性明显增加，根据不同的问题积累的工具和方法，也更加容易形成“套路”。所以，数据分析自然也是数据挖掘作为一门课程的重点章节。

数据挖掘都归纳了哪些问题呢？主要包括分类问题、聚类问题、关联模式挖掘、关联模式和异常检测这四个大类，了解机器学习的朋友肯定很有亲切感，分类问题和聚类问题是机器学习最经典的两大类问题，这就是数据挖掘为什么会看到机器学习的内容。这四个问题还可以细分，譬如经典的啤酒尿布，就是关联模式问题下的频繁项挖掘问题。这些问题都有对应的算法，不同的环境下又有不同的应对方法。

这部分内容很多，是数据挖掘的重头戏，我推荐两本书，一本是韩家炜教授的《数据挖掘:概念与技术》，这是数据挖掘领域知名度最高、也是最经典的一本教材，大家肯定不陌生。另一本则是新出的《数据挖掘：原理与实践》，分为“基础篇”和“进阶篇”，篇幅上就明显增加，而且新书都有一个优点，补充了对新热点的介绍，如怎样挖掘图数据和社交网站数据，可以通过阅读本书追踪数据挖掘的最新进展。

作者简介：

莫凡，网名木羊同学。娱乐向机器学习解说选手，《机器学习算法的数学解析与Python实现》作者，前沿技术发展观潮者。