

很多数据分析师拿到数据就开始清洗、建模，但当被问到“这批数据属于什么类型——结构化还是非结构化？分类变量还是数值变量？各适合使用哪种统计分析方法”时，却常常语塞。其实，数据分类是数据分析的“第一道工序” 。如果把分析比作烹饪，数据分类就是“认识食材”——分不清是蔬菜还是肉类、是生冷还是熟食，后续的刀工与火候都是无用功。

”

引言：为什么“数据分类”是数据分析的第一课？

小林刚入职一家公司的数据分析团队。第一天，主管扔给他三批数据：一批是Excel格式的订单明细表，结构规整、行清列楚；一批是官网客户留言的TXT文本文档，格式杂乱、长短不一；第三批则是服务器上的访问日志，密密麻麻的字符，需要专门的工具才能提取。主管说：“这三批数据需要结合分析，从订单异常中定位是否存在服务质量问题，你按数据分类规划一下处理路径。”

小林面对这些格式差异巨大的数据，一时竟不知从何下手。这一问题，正是数据分析师从“会操作Excel”到“能驾驭多元化数据资产”的第一次能力跨越。

本文将从CDA认证的知识体系出发，系统拆解数据分类的多维框架、各维度的核心要点与辨析技巧，帮助你在数据源头就建立清晰的分类认知。

一、为什么数据分类是分析师的首要能力？

1. 数据分类的核心定义

在CDA的知识体系中，数据分类是指按照“预设的规则与维度”，将企业内分散的数据源（如数据库表、日志文件、API接口数据）进行系统化归类的过程。它不是一次性的“整理动作”，而是“贯穿数据全生命周期（采集-存储-使用-销毁）”的管理机制。

2. 数据分类的核心价值

对数据分析师而言，数据分类的价值远不止“分组命名”，而是直接驱动方法选择、工具选型、分析路径规划的三个关键层面：

• 取数效率提升：通过分类标签快速筛选数据，取数时间从“2小时”缩短至“10分钟”
• 分析质量保障：明确数据的“业务含义与使用范围”，避免因“误用测试数据”导致分析结论偏差
• 数据安全合规：通过“敏感程度分类”识别高危数据，确保使用时符合相关法规要求

简单来说，未经分类的数据如同“杂乱无章的仓库”——用户行为日志、订单记录、商品信息混杂存储，分析师每次取数都需“翻箱倒柜”，不仅浪费大量时间在找数据上，还可能因“拿错数据”导致分析结论失真。而数据分类，正是解决这一痛点的核心手段。

二、数据分类的三大核心维度

“数据分类”从三个维度展开知识框架：按数据结构分类、按计量尺度分类（最基础、最重要的维度）、按时间状况分类。

（一）按数据结构分类：关系表格 vs 无规则信息

数据按数据结构划分，可分为结构化数据与非结构化数据。

结构化数据是指数据结构规范、完整的数据，主要产生于企业的业务系统及客户端应用程序，如CRM系统、ERP系统、电商App等。结构化数据具有信息完整规范、调用简单方便、易于理解等优点，是分析型企业应用的基础。典型的结构化数据包括交易记录、财务数据、产品信息、库存信息等。结构化数据以规范的表格形式呈现，每一行代表一条记录，每一列代表一个属性字段，容易使用SQL查询和汇总。

非结构化数据是指数据结构不规范、不完整、格式多样、难以标准化处理的数据，如文本、图片、音视频、电子邮件等。来自企业系统之外的数据，大部分都属于非结构化数据。这类数据不轻易“塞进表里”，需要专门的ETL工序提取有效信息——例如，从客户评价文本中抽取出“评价得分+关键词标签”，转化为可透视分析的结构化表格。

实操建议：分析师在处理数据时，应先判断数据的结构类型。如果遇到非结构化数据，需规划“非结构化→结构化”的转化路径，而不是直接尝试进行分析。

（二）按计量尺度分类：从定性到定量的“度量阶梯”

在数据的计量尺度层面上，统计学将数据划分为三个递进的层级。从低到高，信息量逐渐丰富，可应用的分析方法逐层增多。在CDA考试中，有一道经典考题：“如果从数据级别的高低进行分类，排序应该是数值数据 > 顺序数据 > 分类数据”——数值数据位于最高级，因为它可以转换为低级数据类型来使用，但低级数据不能转换成数值数据使用。

分类数据（名义测量） 是最低的测量等级，其数值仅代表某些分类或属性，一般不做高低、大小区分。在CDA考试中，有一道题要求判断“加湿器型号（A、B、C、D、E）属于以下哪种数据类型”，正确答案是“分类数据”——型号是字母标签，可以相互换位，没有顺序含义，不能进行数学运算。

顺序数据（次序测量） 的量化水平高于分类数据，用于测量的数值代表了一些有序分类。例如，成绩等级（A/B/C/D）虽然有明确的等级优劣关系（A > B > C > D），但A与B之间的“差值”与B与C之间的“差值”未必相等，不能做加减法运算。

数值数据（连续变量测量） 是量化程度最高的数据类型，其取值是采用一定单位的实际测量值。数值数据可进一步细分为间距测量和比率测量：

• 间距测量：可进行加减运算，但不能进行乘除运算，因其“0”值不是物理上的绝对“0”。例如，考试成绩的零分，不能说这个学生一点能力也没有。
• 比率测量：是最高级的测量等级，具有绝对意义的“0”值，可进行加减乘除运算。例如，收入、年龄等。

（三）按时间状况分类：静态快照 vs 动态记录

数据按时间状况划分，可以分为截面数据与时间序列数据。

截面数据（Cross-sectional Data） ：在同一时间点或时间段内，采集多个个体（如用户、门店、产品等）的数据，如同一时刻的截面“快照”。典型场景包括：某日全国各城市的天气数据；某月多个门店的月度销售额统计；同一时点上多个用户的资产信息。CDA考试中明确将“截面数据”列为数据分类的考点之一。

时间序列数据（Time Series Data） ：按时间顺序排列的数据点，反映同一指标随时间变化的规律。例如，某超市的日销售额按日排列、某产品的月销量趋势等。

截面数据注重“横向比较”不同个体之间的表现；时间序列数据则注重“纵向观察”同一指标随时间变化的规律。这一维度的分类直接影响了CDA分析路径的选择：时间序列问题需用趋势分析、季节性分析方法；而同类截面问题则常用横向对比回归分析或聚类分析。

三、实战演练：从一份“混合业务数据”完成完整的数据分类

背景

某电商平台的数据团队收到了三批数据：

• 数据源A：近6个月的“订单明细”（Excel格式，字段：订单ID、下单日期、用户ID、订单金额、是否新客）
• 数据源B：人工客服热线录音文件（非结构化）
• 数据源C：社交App上的“妈妈社群”聊天内容文本（非结构化）

完整的数据分类与处理流程

第1步——按数据结构分类

• A→结构化数据，可直接进入SQL或BI工具
• B和C→非结构化数据，需先进行“结构化提取”——将录音文本ASR转录为文字，并进行感情标签打分；对社群聊天内容进行词频统计、建立情感分类字段

第2步——按计量层级标注各个字段的数据类型

订单明细表中的字段：

第3步——判断按时间状况归属

• 若分析目标是“订单量的月度趋势”，该场景属于时间序列数据分析
• 若分析目标是“不同类别会员的消费差异”，属于截面数据跨个体比较

第4步——路径决策

• 对结构化来源A做数据清洗，多表关联宽表
• 将非结构化源B和C通过NLP提取生成情绪分数/关键词标签后，转化为结构化辅助表，与A表关联以拓宽分析视角
• 最终输出“各品类各时段负面评价集中度变化”和“建议重点售后跟进产品”等分析结论

结尾

很多数据分析师会计算平均值、会做柱状图，但当被问到“这批数据是分类数据还是数值数据”“是顺序数据还是连续数据”“数据级别的高低如何排序”时，却答不上来。

看懂数据形态是基础，通过数据分类精准判断后续分析方法，才是CDA分析师专业力的体现。

2025年新考纲将“数据分类”作为PART 12“数据模型”的独立考点，考试占比为4%。分类数据、顺序数据、数值数据的层层递进，是连接原始数据与科学分析模型的桥梁；结构化与非结构化数据的区分，是数据分析师在面对多元化数据源时的第一道决策关卡；截面数据与时间序列数据的辨析，是选择正确分析方法的根本前提。

对CDA数据分析师而言，数据分类的意义，在于让每一次分析都能“选对工具、走对路径”——而不是拿到数据就盲目套用方法。CDA认证将数据分类置于PART 12的顶层，正是为了帮助数据分析师建立“数据驱动业务”的体系化思维：对每一批陌生数据都先“断准类型”，后续的分析动作才能从容不迫。

下一步行动：

1. 回顾手边任意一份数据表格，标记出每一列的数据类型（分类/顺序/数值）以及对应的计量层级
2. 练习将一批非结构化数据（如产品评价文本）通过简单的情感标注转化为带标签的结构化数据
3. 判断手中的业务数据集属于截面数据还是时间序列数据，并匹配对应的分析方法



数据分类是数据分析师认识数据的“坐标系”，精准定位分类，让后续分析路径从“盲目摸索”变为“精准导航”。

”

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0