Bei der Datenwissenschaft geht es um die Verarbeitung und Analyse von Daten mithilfe einer Reihe von Tools und Techniken. In der heutigen datengesteuerten Welt stoßen wir auf Arten von Daten, die jeweils behandelt und interpretiert werden müssen. Für eine ordnungsgemäße Datenanalyse und statistische Interpretation ist es wichtig, verschiedene Datentypen zu verstehen. Die Art der Daten bestimmt die richtigen statistischen Methoden und Operationen, die verwendet werden sollten. Verschiedene Datentypen erfordern unterschiedliche Analyse- und Interpretationsmethoden, um aussagekräftige Schlussfolgerungen zu ziehen. In diesem Artikel werden wir das Konzept der Daten und seine Bedeutung untersuchen, Beispiele aus der Praxis liefern und Ihnen zeigen, wie Sie damit arbeiten können.

Messebenen

Vor der Analyse eines Datensatzes ist es wichtig, die Art der darin enthaltenen Daten zu identifizieren. Glücklicherweise können alle Daten in eine von vier Kategorien eingeteilt werden: nominale, ordinale, Intervall- oder Verhältnisdaten. Obwohl diese oft als Datentypen bezeichnet werden, handelt es sich tatsächlich um unterschiedliche Messebenen. Der Grad der Messung spiegelt die Genauigkeit wider, mit der eine Variable quantifiziert wurde, und bestimmt die Methoden, mit denen aus den Daten Erkenntnisse gewonnen werden können.

Die vier Datenkategorien sind nicht immer einfach zu unterscheiden und gehören stattdessen zu einer Hierarchie, wobei jede Ebene auf der vorhergehenden aufbaut.

Es gibt vier Arten von Daten: kategoriale Daten, die weiter in nominale und ordinale Daten unterteilt werden können, und numerische Daten, die weiter in Intervalle und Verhältnisse unterteilt werden können. Die Nominal- und Ordinalskalen sind relativ ungenau und daher einfacher zu analysieren, bieten aber weniger genaue Erkenntnisse. Andererseits sind die Intervall- und Verhältnisskalen komplexer und schwieriger zu analysieren, haben aber das Potenzial, viel umfassendere Erkenntnisse zu liefern.

• Nominale Daten – Nominale Daten sind ein grundlegender Datentyp, der Daten durch Kennzeichnung oder Benennung von Werten wie Geschlecht, Haarfarbe oder Tierarten kategorisiert. Es gibt keine Hierarchie.
• Ordnungsdaten – Bei ordinalen Daten handelt es sich um die Klassifizierung von Daten nach Rang, beispielsweise nach dem sozialen Status, in Kategorien wie „wohlhabend“, „mittleres Einkommen“ oder „arm“. Es gibt jedoch keine festgelegten Intervalle zwischen diesen Kategorien.
• Intervalldaten – Intervalldaten sind eine Möglichkeit zum Organisieren und Vergleichen von Daten, die gemessene Intervalle umfassen. Temperaturskalen wie Celsius oder Fahrenheit sind gute Beispiele für Intervalldaten. Intervalldaten haben jedoch keinen echten Nullpunkt, was bedeutet, dass ein Messwert von Null immer noch ein quantifizierbares Maß darstellen kann (z. B. null Grad Celsius, was nur ein weiterer Punkt auf der Skala ist und nicht bedeutet, dass keine Temperatur vorhanden ist). .
• Verhältnisdaten – Die komplexeste Messebene sind Verhältnisdaten. Ähnlich wie Intervalldaten kategorisiert und ordnet es Daten anhand gemessener Intervalle. Aber im Gegensatz zu Intervalldaten enthalten Verhältnisdaten eine echte Null. Wenn eine Variable Null ist, ist diese Variable nicht vorhanden. Ein Paradebeispiel für Verhältnisdaten ist die Höhenmessung, die nicht negativ sein darf.

Was sind Nominaldaten?

Kategoriale Daten, auch Nominaldaten genannt, sind eine wichtige Art von Informationen, die in verschiedenen Bereichen wie Forschung, Statistik und Datenanalyse verwendet werden. Es besteht aus Kategorien oder Beschriftungen, die bei der Klassifizierung und Anordnung von Daten helfen. Das wesentliche Merkmal kategorialer Daten besteht darin, dass sie keine inhärente Reihenfolge oder Rangfolge zwischen ihren Kategorien aufweisen. Stattdessen sind diese Kategorien getrennt, unterschiedlich und schließen sich gegenseitig aus.

Nominaldaten werden beispielsweise verwendet, um Informationen ohne natürliche Reihenfolge oder Rangfolge in verschiedene Bezeichnungen oder Kategorien zu klassifizieren. Diese Bezeichnungen oder Kategorien werden durch Namen oder Begriffe dargestellt, und es gibt keine natürliche Reihenfolge oder Rangfolge zwischen ihnen. Nominaldaten sind nützlich für die qualitative Klassifizierung und Organisation von Informationen und ermöglichen es Forschern und Analysten, Datenpunkte basierend auf bestimmten Attributen oder Merkmalen zu gruppieren, ohne dass numerische Beziehungen impliziert werden.

• Augenfarbkategorien wie Blau oder Grün stellen nominale Daten dar. Jede Kategorie ist eindeutig, ohne Reihenfolge oder Rangfolge.
• Bei Smartphone-Marken wie iPhone oder Samsung handelt es sich um Nominaldaten. Es gibt keine Hierarchie zwischen den Marken.
• Bei Verkehrsmitteln wie Auto oder Fahrrad handelt es sich um Solldaten. Es handelt sich um diskrete Kategorien ohne inhärente Ordnung.

Eigenschaften von Nominaldaten

• Als nominal klassifizierte Daten bestehen aus Kategorien, die völlig getrennt und voneinander verschieden sind.
• Daten, die unter die Nominalkategorie fallen, werden durch beschreibende Bezeichnungen und nicht durch einen numerischen oder quantitativen Wert unterschieden
• Nominale Daten können nicht hierarchisch geordnet oder geordnet werden, da keine Kategorie einer anderen überlegen oder unterlegen ist.

Beispiel

Hier sind einige Beispiele dafür, wie nominale Daten verwendet werden, um Informationen in eindeutige und nicht geordnete Kategorien zu klassifizieren und zu kategorisieren:

1. Farben des Autos: Bei Autofarben handelt es sich um nominale Daten mit klaren Kategorien, aber ohne inhärente Reihenfolge oder Rangfolge. Jedes Auto fällt in eine Farbkategorie, ohne dass es einen logischen oder numerischen Zusammenhang zwischen den Farben gibt.

2. Arten von Früchten: Die Obstkategorien in einem Korb sind nominell. Jede Frucht gehört zu einer bestimmten Kategorie ohne Hierarchie oder Reihenfolge. Alle Kategorien sind eindeutig und diskret.

3. Filmgenres: Bei Filmgenres handelt es sich um nominale Daten, da es keine Rangfolge zwischen Kategorien wie Action oder Komödie gibt. Jedes Genre ist einzigartig, aber wir können allein anhand dieser Daten nicht sagen, ob eines besser ist als ein anderes.

Was sind Ordinaldaten?

Ordinaldaten sind eine Form qualitativer Daten, die Variablen in beschreibende Kategorien einteilen. Es zeichnet sich dadurch aus, dass die verwendeten Kategorien auf einer Art hierarchischer Skala angeordnet sind, beispielsweise von hoch nach niedrig. Ordinaldaten sind nach Nominaldaten die zweitkomplizierteste Art der Messung. Obwohl es komplizierter ist als nominale Daten, denen jegliche inhärente Ordnung fehlt, ist es dennoch relativ einfach.

Ordinaldaten sind beispielsweise ein Datentyp, der zur Kategorisierung von Elementen mit einer sinnvollen Hierarchie oder Reihenfolge verwendet wird. Diese Kategorien helfen uns, unterschiedliche Leistungen, Positionen oder Leistungen von Studierenden zu vergleichen und einzuordnen, auch wenn die Abstände zwischen ihnen nicht gleich sind. Ordinale Daten sind nützlich, um geordnete Entscheidungen oder Präferenzen zu verstehen und relative Unterschiede zu bewerten.

• Schulnoten: Noten wie A, B, C sind ordinale Daten, geordnet nach Leistung, aber die Abstände zwischen ihnen variieren.
• Bildungsniveau: Ebenen wie High School, Bachelor, Master sind ordinale Daten, geordnet nach Bildung, aber die Unterschiede zwischen den Ebenen sind unterschiedlich.
• Dienstaltersstufe: Jobstufen wie „Einstieg“, „Mitte“ und „Senior“ sind ordinale Daten, die eine Hierarchie anzeigen, aber die Lücke variiert je nach Job und Branche.

Eigenschaften von Ordinaldaten

• Ordinale Daten fallen in die Kategorie der nicht numerischen und kategorialen Daten, können aber dennoch numerische Werte als Beschriftungen verwenden.
• Ordinale Daten werden immer in einer Hierarchie geordnet (daher der Name „Ordinal“).
• Ordinale Daten können in eine Rangfolge eingeordnet werden, ihre Werte sind jedoch nicht gleichmäßig verteilt.
• Mit Ordinaldaten können Sie Häufigkeitsverteilung, Modus, Median und Bereich von Variablen berechnen.

Beispiel

Hier sind einige Beispiele für die Verwendung von Ordinaldaten in Feldern und Domänen:

1. Bildungsniveau: Ordinale Daten werden üblicherweise zur Darstellung von Bildungsniveaus verwendet, z. B. Schule, Bachelor-Abschluss, Master-Abschluss und Doktortitel. Diese Ebenen haben eine Reihenfolge.

2. Kundenzufriedenheitsbewertungen: Eine weitere Anwendung von Daten sind Umfragen zur Kundenzufriedenheit. Bei diesen Umfragen werden die Befragten häufig gebeten, ihre Erfahrungen auf einer Skala von „schlecht“ bis „ausgezeichnet“ zu bewerten.

3. Wirtschaftsklassen: Klassen, einschließlich Mittelklasse und Oberschicht, können basierend auf ihrer Rangfolge als Ordinaldaten klassifiziert werden.

Diese Beispiele veranschaulichen die Art und Weise, wie Ordinaldaten feld- und domänenübergreifend genutzt werden.

Nominale vs. gewöhnliche Daten