如何确定列是定量数据还是分类数据？

Question

如果我有一个包含很多列的文件，数据都是数字，我如何知道特定列是分类数据还是定量数据？这类问题有研究领域吗？如果不是，有哪些启发式方法可以用来确定？

我能想到的一些启发式方法：

可能是分类数据

• 对唯一值做个汇总，如果是some_threshold，则更有可能是分类数据。
• 如果数据高度集中（低标准）
• 如果唯一值是高度连续的，并且从 1 开始
• 如果列中的所有值都具有固定长度（可能是 ID/日期）
• 如果它在Benford's Law 处的 p 值非常小
• 如果它在结果列的卡方检验中的 p 值非常小

可能是定量数据

• 如果列有浮点数
• 如果列具有稀疏值
• 如果列有负值

其他

• 也许定量数据更可能靠近/靠近定量数据（反之亦然）

我正在使用 R，但问题不需要特定于 R。

Answer 1

这假设有人正确编码了数据。

也许您是在暗示数据没有正确编码或标记，它们都是以数字形式输入的，其中一些确实是分类的。在那种情况下，我不知道如何确定。分类数据可以有小数位，也可以是负数。

在这种情况下，我会问自己的问题是，我处理数据的方式有什么不同？

如果您对第二种情况感兴趣，也许您应该在 Stack Exchange 上提问。

my.data <- read.table(text = '
    aa     bb      cc     dd
    10    100    1000      1
    20    200    2000      2
    30    300    3000      3
    40    400    4000      4
    50    500    5000      5
    60    600    6000      6
', header = TRUE, colClasses = c('numeric', 'character', 'numeric', 'character'))

my.data

# one way
str(my.data)

'data.frame':   6 obs. of  4 variables:
 $ aa: num  10 20 30 40 50 60
 $ bb: chr  "100" "200" "300" "400" ...
 $ cc: num  1000 2000 3000 4000 5000 6000
 $ dd: chr  "1" "2" "3" "4" ...

这是一种记录信息的方法：

my.class <- rep('empty', ncol(my.data))

for(i in 1:ncol(my.data)) {
    my.class[i] <- class(my.data[,i])
}

> my.class
[1] "numeric"   "character" "numeric"   "character"

编辑

这是一种无需使用for-loop 即可为每一列记录class 的方法：

my.class <- sapply(my.data, class)