一句话回答
分类数据是把每条记录放进某个组或标签的数据,比如渠道、设备、国家或套餐,而不是测量数量。你可以对组计数和比较,但对值本身相加或求平均没有意义。
公式: 某组占比 = 该组记录数 ÷ 总记录数
什么是分类数据?
分类数据是把每条记录归入某个组、而不是测量数量的数据。流量渠道、设备类型、国家、套餐名、浏览器,以及“买了没买”,都是分类数据:每个访客属于一个标签,你数的是各个标签下有多少行。
判断方法很简单:对这些值做算术有没有意义?120 和 150 个会话的平均是 135 个会话,有意义;“手机”和“电脑”的平均不存在。如果你能数每组有几行,却不能对值本身加、减、求平均,它就是分类数据。测量尺度的思路来自 Stevens(1946),他把名义尺度和有序尺度同区间尺度、比率尺度区分开。本页讲数据本身和怎么汇总;同一个概念放在表格列上看,叫分类变量,所有类型的全貌见数据类型。
分类数据有哪些类型?
| 类型 | 规则 | 例子 | 能做什么 |
|---|---|---|---|
| 名义 | 标签没有天然顺序 | 渠道、设备、国家、浏览器 | 计数、占比、众数 |
| 有序 | 标签有顺序,但间隔不一定相等 | 满意度(1–5)、套餐档位(免费、专业、商业)、“从不 / 有时 / 经常” | 以上全部,再加排名、中位数、名次分位 |
| 二值 | 只有两个值(特殊情形) | 买了没买、登没登录 | 计数、占比(即比率) |
有序等级之间的间隔不保证相等:从“满意”到“非常满意”的一步,不一定和“一般”到“满意”的一步一样大。所以有序数据用中位数是安全的,平均数只是近似。见有序变量和有序数据的例子。
分类数据和数值数据有什么不同?
| 分类数据 | 数值数据 | |
|---|---|---|
| 值 | 标签 | 有数量意义的数字 |
| 常用汇总 | 计数、占比、众数 | 平均数、中位数、离散程度 |
| 常用图表 | 条形图、表格 | 直方图、折线图、散点图 |
| 典型问题 | 哪一组最大? | 多少、多大? |
| 边界情形 | 年龄段(“25–34”)是分类 | 精确年龄是数值 |
边界情形很重要:同一个事实,记录方式不同,既可以是分类也可以是数值。把数字分段会丢失细节,也让它变成分类。真正是编号的数字(邮编、商品编码)也是分类,尽管看起来像数值。
怎么汇总分类数据?
你有三个工具:计数、占比(计数 ÷ 总数)和众数(最大的那一组)。还可以比较各组的结果比率。
示例数据:一个网站的 1,000 个会话以及下单情况。
| 设备 | 会话数 | 会话占比 | 订单数 | 转化率 |
|---|---|---|---|---|
| 手机 | 560 | 56.0% | 28 | 5.0% |
| 电脑 | 380 | 38.0% | 38 | 10.0% |
| 平板 | 60 | 6.0% | 2 | 3.3% |
| 合计 | 1,000 | 全部会话 | 68 | 6.8% |
- 计数和占比。560 ÷ 1,000 = 56.0% 的会话来自手机,众数是手机。
- 按组看结果。电脑的转化率是 38 ÷ 380 = 10.0%,是手机 28 ÷ 560 = 5.0% 的两倍。
- 两者合起来读。手机是最大的一组,但转化率只有电脑的一半,这个发现比单独看任何一列都有用。
- 小心小组。平板只有 2 个订单:多一个或少一个,转化率就会变动 1.7 个百分点。不要凭 2 个事件下结论。
把分类当成数字会出什么问题?
表格和数据库常把分类存成编码:手机 = 1,电脑 = 2,平板 = 3。编码仍然是标签。把它们求平均得到 (560 × 1 + 380 × 2 + 60 × 3) ÷ 1,000 = 1.5,这个数什么也说明不了,“介于手机和电脑之间”不是一种设备。任何被求平均或求和的编号都是同样的道理。
有序的情形更微妙。给 1–5 分的满意度求平均是常见做法,但它假定各级间隔相等。报告平均数时,把各等级的占比分布也放在旁边。
分类的取值太多怎么办?
基数是不同取值的个数。设备列只有几种;页面网址或搜索词可能有成千上万种,每种只有几行。500 根柱子的条形图没法读,占比也变成噪声。
实用规则:
- 展示前 10 名,其余合并为“其他”,并说明“其他”占了多少。
- 计数之前先合并近似重复的值(utm_source 的 “Google” 和 “google”;“/pricing” 和 “/pricing/”)。
- 归到上一层(页面 → 栏目,城市 → 国家)。
- 建模时,高基数分类需要专门的编码;Google 机器学习速成课程讲了常见做法。
哪些图表和检查适合分类数据?
- 条形图:名义数据按大小排序;有序数据保持天然顺序。
- 表格:写出计数、占比和结果比率。
- 避免饼图,超过 5 块就不要用。
- 检查各组互斥且完整。每一行应该恰好属于一个组;用明确的“未知”代替丢掉空值。
- 占比要连同计数一起比较。4 个里的 50% 和 4,000 个里的 50% 可信度不同。
分类数据的常见误区
- 标签不统一。“US”“USA”和“United States”在合并之前是三个组,每一组的占比看起来都比实际小。
- 丢掉空值。如果 8% 的会话没有国家信息,表格悄悄把它们去掉,其他所有占比都会偏高。要显示“未知”。
- 在不同的基数上比较占比。手机占会话的 56%,但可能只占收入的 40%;永远要说明百分比是谁的百分比。
- 用很小的组去读比率。60 个里 2 个订单是 3.3%,多一个订单就变成 5.0%。
- 把重叠的类别当成互斥。用过两种浏览器的访客属于两行,所以占比加起来可能超过全部。
在 TapCub 里怎么看分类数据?
在分析工具里,分类就是你用来拆分数字的维度。接着上面的设备例子:
- 打开拆分。 网站统计 › 受众列出浏览器、操作系统、设备类型和国家,每行有访客、浏览量、跳出、平均时长和占比。网站统计 › 来源对渠道和 UTM 参数做同样的事。
- 比较各组的结果。点一行把它加为筛选,再打开 网站统计 › 目标,只看这一组的目标转化。真人和机器人分开统计,所以爬虫不会抬高“电脑”这样的分类。
- 看你自己的事件属性。 全端分析 › 数据管理 › 事件与属性显示每个事件的次数、去重人数和占比,以及属性值的拆分,“套餐”“按钮名称”这类分类就出现在这里。
- 留意长尾。 全端分析 › 数据管理 › 数据质量里有“高基数”页签,会标出不同取值太多的属性,比如把网址存进属性。在 全端分析 › 数据管理 › 属性字典里,白名单只保留允许的值,其余都存成
__other,这就是“前 N 名加其他”的规则在采集时就执行。 - 知道 TapCub 不做什么。它负责对分类计数和算占比,不做卡方等显著性检验,小分组要按上面的经验规则自己判断。
资料来源
- Stevens, S. S. (1946). On the Theory of Scales of Measurement. Science, 103(2684), 677–680.
- Google for Developers,Machine Learning Crash Course: Working with categorical data。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
