一句话回答
数据表把数据组织成行和列:每一行是一条记录,每一列是一个字段,每个单元格装一个值。只有说得清一行是什么(一个订单、一次事件、一个用户),表才可靠,因为每个计数和总和都取决于这个选择。
数据表到底是什么?
数据表把数据排成一张网格。每一行描述一个对象(一条记录、一次观察),每一列记录关于这些对象的一类事实(一个字段、一个变量),每个单元格装一个值。订单清单就是一张数据表:一行一个订单,列是订单号、日期、客户和金额。
这个想法古老而简单,所以流传至今。Codd(1970)用它建立了关系数据库模型,你会遇到的每一张电子表格、SQL 数据库和 CSV 文件都是它的变体。各工具之间不同的是规则:CSV 文件有一行表头,且每一行的字段个数相同(RFC 4180);数据库表再加上类型和主键;分析里的事件表则是一行一个被追踪的动作。
最关键的一句话:只有当你能把「一行就是一个……」这句话补完整,表才有用。 一个订单。一次事件。一个用户。一个用户的一周。如果不同的行意思不同,你从表里取的每个计数、总和和平均数,都会悄悄回答另一个问题。这个选择叫粒度,见数据粒度。
数据表由哪四部分组成?
| 部分 | 是什么 | 例子(订单表) | 容易出的问题 |
|---|---|---|---|
| 行 | 一条记录:描述一个对象 | 一个订单 | 行的含义不同,比如订单行和退款行混在一张表里又没有标记 |
| 列 | 一个有名字的字段 | order_date、amount | 一列里放了两个事实(「$29 USD」),或一个事实散在很多列里 |
| 主键 | 一列(或几列),其值能识别这一行 | order_id | 主键重复,会让关联出错、计数翻倍 |
| 类型 | 一列装的是什么类型的值 | 日期、数字、文本、真/假 | 数字存成文本、日期有三种格式、「N/A」和空白混用 |
主键值得再看一眼。如果 order_id 不重复,一行就是一个订单,可以放心地和客户表关联。如果有重复,关联会重复行,求和会翻倍。一列有多少个不同取值,这个性质叫基数。类型见数据类型,记录每一列含义的文档是数据字典。
宽表和长表有什么区别?
同样的事实可以有两种排法。
示例数据:三个用户在三周里的每周活跃天数。
宽表:一行一个用户,一列一周。
| user_id | week_1 | week_2 | week_3 |
|---|---|---|---|
| u1 | 5 | 4 | 2 |
| u2 | 3 | 3 | 3 |
| u3 | 6 | 1 | 0 |
长表:一行一个用户的一周。
| user_id | week | active_days |
|---|---|---|
| u1 | 1 | 5 |
| u1 | 2 | 4 |
| u1 | 3 | 2 |
| u2 | 1 | 3 |
| … | … | … |
宽表有 3 行 4 列(12 个单元格)。长表有 3 个用户 × 3 周 = 9 行 3 列(27 个单元格)。加第 4 周,宽表是多一列,长表是多三行。
| 宽表 | 长表 | |
|---|---|---|
| 最适合 | 肉眼阅读、最终报告、一人一行 | 分析、筛选、画图、关联 |
| 增加一个时间段 | 加一列(结构变了) | 加几行(结构不变) |
| 容易回答的典型问题 | 「u1 这几周做了什么?」 | 「每周平均活跃天数是多少?」 |
| 风险 | 列名里带着数据(week_1、week_2……) | 行数多得多 |
大多数分析工具期望长表,因为 week 这样的列可以筛选、分组和画图,而 week_1、week_2、week_3 是三个不同的列,每个名字里藏着一个数据值。Wickham(2014)把这种长的、一个变量一列的形式叫「整洁数据」:每个变量一列,每个观察一行,每种观察单位一张表。
真实的例子长什么样,会出什么问题?
示例数据:一张事件表,一行就是一次被追踪的事件。
| event_time | event_name | user_id | plan | amount |
|---|---|---|---|---|
| 2026-03-02 09:14 | page_view | u1 | free | |
| 2026-03-02 09:15 | signup | u1 | free | |
| 2026-03-02 10:02 | page_view | u2 | pro | |
| 2026-03-02 10:05 | purchase | u2 | pro | 49 |
| 2026-03-02 11:30 | page_view | u3 | free | |
| 2026-03-02 11:34 | purchase | u3 | free | 29 |
| 2026-03-03 08:50 | purchase | u1 | free | 29 |
| 2026-03-03 09:10 | page_view | u4 | free |
这张表有 8 行 5 列(40 个单元格)。它能直接回答:
- 有多少次购买? 数
event_name是purchase的行:3。 - 收入多少? 对这些行的
amount求和:49 + 29 + 29 = 107。 - 有多少个不同用户? 数不重复的
user_id:4(u1、u2、u3、u4)。
现在说陷阱。假设你把这张表和以 user_id 为主键的用户表关联,为的是加上每个用户的国家,而用户表里 u1 有两行(他换了国家,没人删旧行)。u1 的 29 元购买现在在关联结果里出现两次,所以收入求和变成 49 + 29 + 29 + 29 = 136,而不是 107,多算了 27%(29 ÷ 107)。关联没有报任何错误。原因是主键有重复,症状是一个看起来合理的数字。
两个检查能抓住它:任何关联前后都对比行数(8 应该还是 8),并且用不重复主键数对比总行数,确认主键没有重复。
哪三条规则让数据表保持好用?
- 一行一件事,并且用一句话写明。 在表的说明里写「一行是一次事件」。如果句子里需要「或」,说明你有两张表。
- 一列一类值,一个类型。 在
amount里存49,货币放另一列,不要存「$49」。缺失值用一种标记(空白),不要混用「N/A」「-」和「none」。 - 每一行都不重复的主键。 如果没有单独一列是不重复的,就用两列定义(比如
user_id加week),并且每次加载表都检查。
把合计、备注和合并的表头单元格放在数据区之外。把它们放在表的旁边或单独的汇总里,否则下次导入会把「合计」行当成一个客户。
人们在数据表上常犯哪些错误?
- 把数据放进列名。
sales_jan、sales_feb之类看起来整齐,却挡住了按月筛选。改成长表。 - 混用粒度。 日行和月合计行放在同一张表里,每个求和都会出错。
- 把电子表格的外观当成它的结构。 颜色、合并单元格和空白分隔行,对人有意义,对程序没有。
- 关联后不检查行数。 见上面的 136 对 107。
- 把数据表和用它做出的图表或报表混为一谈。 数据透视表或图表是表的汇总;底下的表才是记录。以后可能要回答别的问题,就保留底层的行。
- 一列里类型不一致。 数字列里有一个文本值,导入时可能让整列变成文本。
数据表在 TapCub 里怎么体现?
TapCub 的原始数据就是像上面那样的事件表:一行一个被追踪的事件,属性是额外的列。下面是表结构在实践里真正有影响的地方。
- 采集之前先规划表。 在全端分析 › 数据管理 › 埋点方案里,每个事件是一行,有事件名、显示名、分类、平台、触发时机、属性(名称、类型、是否必填、示例)、负责人和状态。方案本身就是一张数据表,一行一个事件,要在开发写代码之前,先定下行的含义和属性类型。
- 把 CSV 当事件导入。 在全端分析 › 数据管理 › 数据导入里,CSV 事件类型表示一行是一个事件,列有时间、事件名和用户 ID 等。向导显示前 20 行并把列映射到字段;一个文件最多 100,000 行,更大的要拆开。没映射用户 ID 时,每一行都成了自己的匿名访客,所以这些行没法合并成同一个人。
- 导入用户属性的 CSV。 CSV 用户属性类型表示一行是一个用户,有
distinct_id(或邮箱、手机号)加属性。这是一张和事件表不同的表:同样是这些人,行的含义不同。 - 挂上一张查找表。 维度表按主键属性存放商品类目这样的属性,不改埋点就能挂到事件上。它需要不重复的主键(最左一列),最多 30 列、最多 50,000 行,覆盖率显示最近的事件里有多大比例找到了匹配的主键,这就是上面例子里的关联检查。
- 导出底层的行。 在全端分析 › 数据管理 › 数据导出里,可以为一段日期创建事件、会话或人员的异步导出。图表展示的是汇总;导出才是底下的那张表。
资料来源
- Wickham, H. (2014). Tidy Data. Journal of Statistical Software, 59(10).
- Shafranovich, Y. (2005). RFC 4180: Common Format and MIME Type for Comma-Separated Values (CSV) Files. IETF.
- Codd, E. F. (1970). A relational model of data for large shared data banks. Communications of the ACM, 13(6), 377–387.
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。
