大数据的属性是什么？

　　结构化与非结构化数据

　　某些数据集具有很好的结构性，就像数据库中的数据表或电子表程序中一样。而其他的数据以更多样的形式记录着有关世界状况的信息。它们可能是像维基百科这样包含图像和超级链接的文本语料库，也可能是个人医疗记录中出现的复杂的注释和测试结果的混合数据。

　　数据通常由一个矩阵表示，矩阵的行表示不同的条目或记录，列则表示这些条目的不同属性特征。例如，关于美国的城市数据集中每一行代表一个城市，每列则代表州、人口和地区等特征。

　　当面对一个非结构化数据源时，我们通常首先要构建一个矩阵以使这些数据结构化。词袋模型可以构建一个矩阵，每条推文对应矩阵中的一行，每个常用词汇对应矩阵中的一列。矩阵项M[i, j]则表示推文i中单词j出现的次数。

　　定量数据与类别数据

　　定量数据由数值组成，如高度和重量。这些数据可以被直接带入代数公式和数学模型，也可以在传统的图表中进行表示。相比之下，类别数据则由描述被调查对象属性的标签组成，如性别、头发颜色和职业。这种描述性信息可以像数值型数据一样而有意义，但不能使用相同的方法进行处理。

　　类别数据通常可以进行数字化编码。例如，性别可以表示为男=0或女=1。但如果每个特性包含两个以上字符，尤其当它们之间没有隐序时，事情会变得更加复杂。我们可以对头发的颜色进行数字化编码，即为不同颜色匹配不同的数值，如灰色头发=0、红色头发=1以及金色头发=2。然而，除了单纯地进行特征识别之外，我们并不能真正将这些值视为数字。讨论头发的较大或较小颜色有什么意义呢?又如何解释我的头发颜色减去你的头发颜色的含义呢?

　　大数据与小数据

　　在大众眼中数据科学已经与大数据混为一谈，数据科学以计算机日志和传感器设备产生的海量数据集为分析对象。原则上，拥有更多的数据总是比数据少要好，因为如果有必要，可以通过抽样来舍弃其中的一些数据，从而得到一个更小的数据集。

　　拥有大数据是件令人兴奋的事。但在实践中，处理大数据存在一定的困难。一般来说，一旦数据量过大，事情就会变得更困难。大数据的挑战包括：

　　一个分析周期所用的时间随着数据规模的增长而变长：对数据集的计算性操作会随着数据量的增加而花费更长的时间。电子表格可以提供即时响应，允许用户进行实验测试以及验证各种假设。但计算大型电子表格时，会变得笨拙而缓慢。处理大规模数据集可能需要数小时或数天才能得到结果。为了处理大数据，要采用高性能算法，这些算法也已展现出惊人的优越性。但是绝不能为了获得更快的计算速度而将大数据拆分为小数据。