微软高级数据科学家教你如何做数据科学

1. 学会获取更多的数据

数据科学的数据源是数字和字段的集合。测量、价格、日期、时间、产品、标题等，都是简单的数据集；你也可以用图像、音频、视频等复杂结构的数据集，这时需要你去降维分解成数字和字段的集合。
数据获取是一个复杂的机制，数据工程师各种被揉捏，但本篇文章重点是讲述数据科学，数据获取将会是下一个 topic。
2. 学会聪明的提出问题

简单点讲，就是提出的问题要问到点子上。数据科学是通过对数字和字段组成的数据集合进行处理，然后回答问题。你描述的问题越精确，越容易找到令你满意的精确答案。含糊不清的问法：“我的数据能为业务提供什么？”，”有了数据我该做什么？”；相对应地，清晰的问法：“第三季度在蒙特利尔卖了多少 Q 型小物件？”
你有了一个问题，现在你得看自己的数据是否可以回答。如果你的问题是“我的股票下周的销售价是多少？”，那需要确保你的数据包括股票的历史数据；如果你的问题是“88 型发动机多少小时会发生故障？”，那需要确保你的数据包括 88 型发动机失败的次数。这些问答案例被称之为目标，你的目标是定量或者分类预测或任务。如果你没有任何目标数据，需要回到步骤 1，获取更多的数据。
3. 装载数据进表

大部分机器学习算法都是假设数据以表的形式呈现。每行是一个事件、item、或者实体；每列是行数据的一个特征或者属性。一个描述美国足球比赛的数据集，每行代表一场比赛，每列分为主场足球队、客场足球队、主场得分、客场得分、日期、开始时间和出场等等。
选择你所需的数据行
经常有许多种方式将数据集分割成行，但只有一种方法能帮助你回答问题：每行有且仅有一个目标实体。拿零售店数据举例，一条交易记录一行，一天的记录一行，一个零售店一行，一个顾客的数据一行，等等。如果你的问题是”刚进过店的顾客会回访吗？“，那数据以一个顾客为一行来组织为好。你的目标 whether_the_customer_returned 将呈现在每行；但如果以一个零售店或者一天进行数据组织，将不能回答目标问题。
有时你必须向上钻取数据来获得相应的维度数据。如果你的问题是“我每天能卖多少拿铁咖啡？”，那你需要每行一天的数据记录（目标列为 number_of_lattes_sold），但是你的数据是每次的交易记录（带有日期和时间）。为了获取每行一天的数据记录，你必须向上钻取数据。
4. 数据质量校验

数据检查
接下来是仔细的查看数据。检查数据有两个目的：第一，发现错误数据，修复或者去除它；第二，对每行每列有足够的了解。
检查每列数据，它的符号是什么？符号意味着什么？有文档解释列的意思吗？数据是如何测试的？谁来测试的？如果你足够的幸运知道记录数据的人，可以去问问他们是怎样测试这些数据。
把数据列作为纵轴画图表，看下整体分布是否符合预期？是否有异常数据点？异常点是否有意义？
校正
纵观所有的数据列，你能发现字段和文档的错误，并记录下来你学到了什么，这样你会比其他人都要了解这些数据（除了纪录数据的人外）。
你也可能发现一些值是错误的。一些值超过了正常范围，比如，一个人 72 米高，或一个“7777777777 Mani St”的地址。当这些事情发生后你有三种选择：如果这个值很容易更改正确，比如，把高 72 米改成 72 英寸；如果错误的值不明显，你可以直接删除或者缺失；如果这个值是关键信息，你应该删除整行或者整列，这可以让你训练的模型远离错误数据，因为错误的数据对你的训练模型的影响比缺失数据更大。
替换缺失的值
在大部分情况下，数据集都存在缺失的值。但不管什么情况，机器学习算法都要希望数据无缺失或者填充默认值。对于你来说，你比机器学习算法更懂你的数据，所有补全缺失数据的工作你更适合。有许多替换缺失值的方法，最保险的一种是采用其它正常数据的平均值来替代。
5. 抽取特征

在做机器学习之前有一个非常重要的步骤：特征工程。特征工程简单讲，就是对现有特征数据进行组合，以获得更好的特征来预测目标。举个例子，火车到达和离开的时间相减获得运输时间，这个特征对预测速度的峰值更有用。
严格来讲，特征工程并不会增加任何数据信息，只是使用各种方法对原有数据进行组合。特征工程是数据科学的“黑科技”，并没有什么特别的、大一统的处理原则，虽然很多深度学习试图自动化这个过程，但都是失败了，特征工程一般是数据科学家的经验决定。不过即使你没有特征工程的技能，也有些小技巧可以使用。你可以对变量画图，并标记不同的颜色，可以帮你方便的发现变量之间的关系。
如果你发现经过特征工程之后还未找到特征来预测目标，那你得重写回到第一步获取数据。
6. 正确的回答问题

现在到了数据科学家钟爱的部分：机器学习，有许多资源讲这部分，这里就不再总结所有的方法。简单地讲，你可以在参考文章《你的问题属于哪种算法？》和《选择一到多种算法》来选择算法，并用传统机器学习技术来分割数据进行训练、调优、测试数据、根据选择的模型优化参数。
如果你的模型并不能很好的解决问题，或者你想避免使用机器学习，也有两种非传统的方法回答：
第一种，简单的看你收集数据的图像，有一半的情况下可视化数据就可以找到答案。比如，如果你的问题是“在波士顿明年 7 月 4 号的最高温度是多少？”，对过去 100 年的温度可视化，查看直方图就基本可以解决问题。
第二种，更多技术需求。如果由于数据集太小而得不到结果，你可以考虑优化。机器学习是基于弱先验假设的结构化数据。这种方法的优点在于你使用算法之前你不需要知道太多数据，它能够训练出一个大范围的模型；副作用就是需要大量数据才能获得一个可信的答案。
7. 应用数据

不管你如何优雅的回答提出的问题，但数据科学家的工作直到用户去使用才算完成。把结果以某种形式呈现给用户作为参考来做对应的决策，展示的形式有很多种：将结果在 web 页面上画出来；把你发现的有用信息保存成 PDF；在 GitHub 上分享你的代码；把结论做成视频给你的商业客户，等等。总之一句话，要把你做的工作让其他人来使用。