许多数据挖掘任务都假定数据集是记录(数据对象)的汇集，每个记录包含固定的数字字段(属性集合)，如图2－1(a)所示。对于记录数据的大部分形式数据，字段之间没有明显的联系，且每个对象具有相同的属性集。记录数据通常存放在平展文件或关系数据库之中。关系数据库不仅仅是记录的汇集，还包含其他信息。一般数据挖掘不使用关系数据库的更多信息，而仅使用数据库充当查找记录的场所。记录数据的不同类型如图2－1所示。此处我们介绍的有事务数据、数据矩阵和稀疏数据矩阵。
图2－1 记录数据及其不同变体
(a)记录数据；(b)事务数据；(c)数据矩阵；(d)文档－词矩阵(www.xing528.com)
(1)事务数据:在事务数据中，每个记录(事务)涉及一个项的集合。例如一个百货超市，顾客每次采购物品的集合构成一个事务。其中，记录的字段是非对称的，一般是二元的属性，指出这些商品是否被购买。此外，这些字段可以是离散或连续的，例如表示购买的商品数量或购买商品的开销，如图2－1(b)所示。
(2)数据矩阵:在一个数据集中所有的数据对象都有相同的数值属性集，数据对象可以看作多维空间中的点，其中每个维度代表描述对象的一个属性，这样的数据对象集可以用一个矩阵表示，这种矩阵被称作数据矩阵或模式矩阵。它由数值属性构成，可以使用标准的矩阵操作对数据进行变换和操纵，因此大部分统计数据矩阵是一种标准的数据格式，如图2－1(c)所示。
(3)稀疏数据矩阵:稀疏数据矩阵是数据矩阵的一种特殊情况，其中属性的类型是相同且非对称的，即非零值的重要程度远大于零值，例如文档数据。特别地，在忽略文档中的词序时，可将文档用词向量表示，将每个词作为向量的一个分量(属性)，每个分量的值对应词在文档中的次数。在文档多的情况下，考虑到词量大，大部分词不出现，其对应值为0。因此，每份记录(文档)都是稀疏的，如图2－1(d)所示。一般地，仅存放稀疏矩阵的非零项。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
