映射：数据究竟是什么？-新东方前途出国

映射：数据究竟是什么？ 

课程的前6讲，我们根本没有讲什么是数据，只是调动你先天的数字感，体会怎么使用数据去思考问题和解决问题。这一讲，我们就正式面对这一模块最核心的问题——数据究竟是什么？  

这个问题听起来再简单不过了。但如果你去问一个数据分析师，大概率的，他都很难回答这个问题。逼急了他可能会说，数据就是电子表格里的数字吧。如果你去看数据分析的专著，书里也基本上不回答这个问题。  

为什么大家都说不清楚或者避而不谈呢？因为“数据”这个词代表的含义过于丰富，不同层次的用法混杂在一起，以至于造成了混乱。  

这一讲，我们就直面这个问题，通过三个要点正本清源地把这些混乱梳理一下。  

数据是对现实世界的映射

首先，从数据和实体的关系来看，数据是对现实世界实体的映射。  

比如你照镜子，镜子里出现了你美丽的脸庞，镜子中的脸跟你的脸是一种一一对应的关系。这就叫“映射”。  

不过，镜子中的脸仅仅是光的虚像，既不是实体，也不是数据。但如果用手机拍照，那就不一样了。手机中的摄影系统会记录你的长相，并且转换成数字，最终变成一份文件。这份文件中的数据与你的脸是一一对应的。数据的来源就是这样的。  

但是我们再进一步，这些数据真的映射了你的脸的全部吗？仔细想想，并没有。这份数据文件记录的是在当初的拍照条件下你的脸的信息。如果拍照的条件变了，记录下来的数据当然就不一样了。

 

我们再进一步，限定了条件，就在拍摄的那一刻，照片记录的就是你脸的全部吗？还不是。你的脸是由细胞组成的，细胞是由分子组成的，分子又是由原子组成的。这些组织又是有活性的，细胞在进行新陈代谢，血液系统在有条不紊地工作。所有这一切，这份数据文件中都没有。  

所以，这些数据是映射实体而来的，但它们仅仅代表了实体的一部分信息。如果你想知道其他的信息，就要做其他的映射。比如，看冠心病就要用CT，看心功能要用超声，检查心肌病变要用核磁。这里，CT、超声、核磁，都是映射实体的方式，都能得到同一个实体不同维度的信息。  

这也就说明，获取数据的方法决定了我们能获取什么数据。现实世界和数字世界是两个不同的世界，它们之间通过映射建立关联。  

以上，就是关于“数据是什么”这个问题的第一点认知——从实体和数据的关系来看，数据是在某种方法之下对实体的数字化表达。

 

数据需要元数据来说明

接下来，我们说第二点，我们需要元数据来说明数据。  

我们来看一下数字音乐。它看起来就是一个音频文档，用播放器一播放，我们就能听到一段美妙的声音。  

这里的问题是，除了声音本身，你还能知道什么呢？这是你婚礼上的伴奏？还是女儿的第一次演出？还是肖邦的亲自弹奏？不知道。音频本身并不能说明自己是谁、自已从哪里来。  

这时候，我们就需要用到一个新的概念——元数据。简单地说，元数据就是对某个对象做出的陈述。  

比如，这段音乐是2020年11月在北京国家大剧院演出的实况，她弹奏的是钢琴。这就是陈述。当然，这种自然语言式的备注不便于处理和交流，实际生活中大家使用的元数据是按照国际规则生成的，看起来很结构化。比如，“时间：2020年10月；地点：北京国家大剧院；乐器：钢琴……”  

我再举一个真实的例子你感受一下。咱们平时都听音乐，请问描写一段音乐各个特征的元数据是怎么生成的呢？  

美国有一款音乐软件潘多拉（Pandora），相当于我们的QQ音乐。它是这么做的：有些特征客观性很强，比如音调、速度、每分钟节拍数、歌手性别等，这些很容易确定；而另一些特征，比如声音特点、乐器失真程度等，主观性特别强，这些特征怎么确定呢？请一组音乐家，让他们对这些特征进行评估，然后再处理合成。潘多拉用了多少元数据来描写一首音乐呢？大约450个。  

这还不是最惊讶的，据说，Google描述一张照片的元数据多达2万多个。  

元数据听起来挺普通的，但实际上非常厉害。  

不知道你还记得吗？2013年，美国出了一件大事。有个叫斯诺登的前美国中情局工作人员，爆料说美国有一个“棱镜计划”在收集所有的通话记录。这还了得！这让高度关注个人隐私的美国人大惊失色，异常愤怒。结果查下来，发现美国情报部门并没有收集通话的内容，收集的只是通话的元数据，就是说明通话在何时、何地、通了多少时间那些记录。  

正当美国人长舒一口气，美国媒体又跑出来吓唬人，说别看这些元数据本身看起来人畜无害，但其实它们能得出各种信息。这下，美国人又不淡定了。  

举个例子：如果你是一个公众人物，那我就在公开媒体上记录你的行踪。一旦我收集到了你去过的4个地方和4个时间，我就能知道你的手机号码。知道了你的手机号码，在网上跟你手机号码绑定的所有信息就都知道了。你说元数据厉害不厉害？  

当然，这个前提是可以动用各种数据库，有这样权限的人并不多，所以你也不用担心。  

要把数据、数据容器和数据蕴含的信息分开

接下来，我们说第三点，要把数据、数据容器和数据蕴含的信息分开。  

为了理解这一点，你需要记住一个模型——葡萄酒模型。葡萄酒这个东西，其实可以分成四件事：第一，酒本身；第二，酒瓶；第三，酒标，就是贴在酒瓶上的标签；第四，喝进去的感觉。  

做个类比的话，酒本身就是数据，酒瓶就是数据容器，酒标就相当于元数据。为什么这么说呢？咱们拆解一下这句话。  

首先，酒就是数据，这很好理解吧？不多说了。  

其次，酒标上面有品牌名字、年份、产地等，都是在说明这个酒某一方面的特征，所以它就相当于元数据。  

最后，我们要重点说一下数据容器。和很多东西一样，数据也需要一个载体来存放。音频文档是一种载体，Excel电子表格是另一种载体。听起来很简单，但很多时候我们往往会把载体，也就是数据容器，当成数据本身。比如书本，那些纸张是数据吗？其实不是，纸张只是数据容器，纸上的文字才是数据。  

混淆数据和数据容器，在口语表达中当然没有问题，但是知道它们的区别才是数据思维好的表现。  

数据就好比是葡萄酒；元数据记录了数据的各种关键信息，好比是葡萄酒的酒标；而数据容器是用来装数据的，好比是酒瓶。这个对应关系明白了，那么一瓶葡萄酒的第四部分——喝下去的感觉，又应该怎么理解呢？它对应数据的什么呢？我把它比喻成数据里蕴含的信息。  

举个例子。我在网上看到，有位数据分析师分析了华语唱作人的相关数据，发表了一篇文章叫《华语唱作人词汇量大赏》。什么是唱作人呢？就是指那些创作型歌手，演唱之外，还要自己作曲、填词和制作的人。  

这位数据分析师对55位著名华语唱作人自己写的歌词进行了用词的频率统计，然后做了一个排行榜。为了公平，每位唱作人都抽取1万字，去除重复的词汇之后再进行统计。这样就知道每一位唱作人常用的词汇是什么了。比如周杰伦，他的常用词汇前三名是“爱”“走”和“我会”。  

这还没有结束。分析师还训练了一个模型来感知歌词的情绪。比如，“拆开，我的心随你看，满满的都是爱”，被认为是积极情绪；“如果以后和好了，看到你朋友不是很尴尬”，就被定性为消极情绪。  

问题来了，词汇量高的歌手是谁呢？  

第一名是周延。在一万个字里，他不重复地用了2282个词。他的常用词汇前三名是“万岁”“喊”和“做”。歌词的情绪67%是积极的，33%是消极的。  

我们熟悉的总上不了头条的汪峰老师呢？词汇量是1039个，在55位唱作人里属于很低的那一档。常用词汇的前三名是“爱”“妈妈”和“孤独”。歌词的情绪呢？63%是积极的，37%是消极的。  

我想说的是，这些信息都是被人挖掘的、被人发现的，这些唱作人的创作数据就在那里，并没有自动说“我有这些信息，来使用我吧”，没有。这些数据中蕴含什么信息，是数据使用者的创造，甚至可以说，是在数据使用者与数据之间的互动中出现的。  

换句话说，数据仅仅是潜在的信息提供者，处于一种未经处理的原始状态。只有找到各种描写它们特征的办法，你才能让数据开口说话。  

到这里，我们感知数据的学习就可以结束了。从下一讲，我们进入课程的新模块——收集数据。  

划重点  

对于“数据究竟是什么”这个问题，我们可以从三个方面来理解：

1. 数据是对现实世界实体的映射，是在某种方法之下对实体的数字化表达。  

2. 数据需要元数据来说明、描写和记录它的关键特征。  

3. 不要把数据容器和数据本身混淆，也不要以为数据自动蕴含信息。数据中蕴含什么信息，需要有数据思维的人专门处理。  

在线咨询~