一、資料集有資料物件組成。一個資料物件（樣本、例項、資料點、物件、資料元組）有代表一個實體。
二、屬性型別
屬性是一個資料欄位，表示資料物件的一個特徵。屬性可以是：標稱、二元、序數、數值
觀測是給定屬性的觀測值。
1、標稱屬性：一些物件的名稱。
2、二元屬性：布林屬性。
3、序數屬性：值之間存在有意義的程度評定。
4、數值屬性：存在大小的定量。（區間標度、比率標度）
{
區間標度：可以比較合定量之間的差。沒有固有的零點。
比率標度：有固有的零點，可以計算倍數比例。
}
5、離散屬性：有限或者無限可數個值，可以不用整數表示。
6、連續屬性：數值屬性，一般用浮點數值。
7、數學期望：均值。
三、基本統計描述
基本統計描述可以用來識別資料的性質，篩選不符合主要性質的資料（噪聲和離群點）
基本統計描述大體可分為：中心趨勢、資料散佈、圖形顯示
1、中心趨勢：
均值—平均值
中位數—最中間位置的數值
眾數—出現次數最多的數
中列數—最值的均值
2、資料散佈：
極差—最大值和最小值的差值
分位數：屬性值與概率的對應關係。概率：p=1/2N，0<p<1。
四分位數—數值依次大小排序，四等分
四分位數極差—Q3(0.75處的值)-Q1(0.25處的值)
五數概括—Min,Q1,中位數,Q3,Max
盒圖— Min----------|Q1 |中位數 Q3|-------------------Max
方差—各個資料與平均值查的平方的平均值。屬性和均值的偏離程度。
標準差—方差的平方根
3、圖形顯示：
條形圖（柱形圖、頻率直方圖）：頻率資料展示。
餅狀圖、分位數圖、分為數-分位數圖、
散點圖：兩個屬性的關係趨勢。
四、資料的相似性和相異性
1、資料矩陣：物件與屬性的陣列,即N個物件*P個屬性
例如： Name Age Sex
A 16 1 —物件O1
B 16 1 —物件O2
C 16 1 —物件O3
[ O1Name ，O1Age，O1Sex
O2Name ，O2Age，O2Sex
O3Name ，O3Age，O3Sex ]
2、相異性矩陣：物件與物件的陣列，即N個物件*N個物件。N個物件兩兩之間的相近度。
例如： Name Age Sex
A 16 1 —物件O1
B 16 1 —物件O2
C 16 1 —物件O3
[ 0
d(2,1) 0
d(3,1) d(3,2) 0 ]
d(i,j)是物件i與j之間的相異性度量。值越大差別越大。反之，相似性度量sim（i，j）=1-d(i,j)
下面就具體解釋一下d(i,j)................
（1）標稱屬性的鄰近性度量：用不匹配率來計算。公式： d(i,j)=(p-m)/p
p—屬性總數，m—相同屬性數。p-m即不相同的屬性數。
（2）布林屬性的鄰近性度量：
| 物件i | 物件j | |||
| 1 | 0 | sum | ||
| 1 | q | r | q+r | |
| 0 | s | t | s+t | |
| sum | q+s | r+t | p=q+s+t+r | |
現在我們找一下相似性：q和t。即，相似性度量：d(i,j)=(q+t)/p=(q+t)/(q+s+t+r)
反之，相異性，就是不一樣的度量值.。即，s和r,d(i,j)=(s+r)/p
當然當前我們計算的是對稱的二元相異性。什麼是對稱的二元屬性？無論是否，現實中都具有意義和重要性，同等重要。
接下來，非對稱的二元相似性，假設，布林值為0的在現實生活中沒有太大的意義。
這樣，非對稱的二元相似性：sim（i，j）=q/p，因為原來的相似性可取值是：q和t，但是t沒有太大的意義。
（3）數值屬性的鄰近性度量：歐幾里得距離、曼哈頓距離、閔可夫斯基距離。。。
對於數值屬性的鄰近性計算，首先爭取可以縮小數值域。比如[100,101]---->[0.1,0.101]
歐幾里得距離：兩個物件被p個物件所描述。即，i=(Xi1,Xi2...,Xip) , j=(Xj1,Xj2...,Xjp)
那麼兩個物件的歐幾里得距離：d(i,j)=sqrt( (Xi1-Xj1)^2+(Xi2-Xj2)^2 )
這樣得出歐幾里德有下面幾個特徵：
d(i,j)>=0 ; d(i,i)=0 ; d(i,j)=d(j,i) ;
d(i,j)<=d(i,k)+d(k,j)