

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？

小林刚入职一家物流科技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。

对CDA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：

• 决定分析工具和方法：结构化数据→用SQL+BI工具；非结构化数据→用Python文本分析工具
• 决定统计方法的选择：分类变量→卡方检验、频数分析；数值变量→均值比较、t检验
• 影响数据清洗与预处理：数值型→异常值检测；文本型→编码统一、去空格、标点规范化

在企业的数据体系中，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。

本文将从CDA认证的知识体系出发，系统拆解数据分类的核心维度与实操要点，帮助你在数据源头就建立清晰的分类认知。

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两类。

1. 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。结构化的数据可以使用关系型数据库表示和存储，表现为二维形式的数据。其典型特点是：数据以行为单位，一行数据表示一个实体的信息，每一行数据的属性是相同的。

常见的结构化数据包括电子表格、数据库表等，如交易记录、产品信息、财务数据、库存信息等。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。

2. 非结构化数据

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。非结构化数据没有固定的格式或结构，不易存储在关系型数据库中，处理和分析相对困难。

常见的非结构化数据包括文本文件、图像、音频、视频等，如网站图片、社交聊天记录、视频等。各种文档、图片、视频、音频等都属于非结构化数据，一般直接整体进行存储，且存储为二进制的数据格式。

3. 半结构化数据

除了结构化数据和非结构化数据之外，还有半结构化数据。半结构化数据是结构化数据的一种形式，并不符合关系型数据库或其他数据表的形式关联起来的数据模型结构，但包含相关标记，用来分隔语义元素以及对记录和字段进行分层。XML、HTML文档就属于半结构化数据。

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。

1. 分类数据（Nominal Data）——最低层级

分类数据只是用来表示类别或标签，没有内在的顺序。分类数据只能用来区分不同的类别，没有任何顺序或等级。

典型示例：性别、颜色、品牌等。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”——型号是字母标签，可以相互换位，没有顺序含义，属于分类数据。

适用统计方法：频数分析、百分比、卡方检验。不能计算均值——“男”和“女”的平均值没有意义。

2. 顺序数据（Ordinal Data）——中间层级

顺序数据不仅区分了不同类别，还包含了某种顺序或等级，但不能进行数学运算。顺序数据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。

典型示例：教育程度（小学、中学、大学）、满意度等级（不满意、一般、满意）。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。

适用统计方法：中位数、百分位数、秩和检验。不能进行加减运算。

3. 数值数据（Numerical Data）——最高层级

数值数据是可以进行数学运算的数值数据，又可以分为离散数据（Discrete Data）和连续数据（Continuous Data）。

典型示例：年龄、收入、温度等。数值数据的量化程度最高，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”（如温度）
• 比率测量：最高级的测量等级，0值具有物理上的绝对意义，可进行加减乘除运算（如收入、年龄）

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两类。

1. 截面数据——横向“快照”

截面数据（Cross-sectional Data） 是指在某一时点或相近时点，对多个个体（如用户、门店、产品等）进行观测所获得的数据。截面数据注重“横向比较”不同个体之间的表现。

典型场景：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；2024年各省人均GDP。

2. 时间序列数据——纵向“记录”

时间序列数据（Time Series Data） 是指对同一个体或对象在不同时间点上的观察和记录，注重“纵向观察”同一指标随时间变化的规律。

典型场景：某超市的日销售额按日排列；1990-2024年全国GDP。

3. 面板数据——横向与纵向的结合

面板数据（Panel Data） 是同时结合时间序列和横截面数据特征的数据集，它追踪多个个体在不同时间点上的表现。面板数据在企业数据分析中经常会碰到。

截面数据与时间序列数据的区分直接影响分析路径的选择——时间序列问题需用趋势分析、季节性分析方法；而截面问题则常用横向对比、回归分析或聚类分析。

四、数据分类的实战价值：从“盲人摸象”到“精准制导”

CDA分析师掌握数据分类的核心价值，在于让每一次分析都能“选对工具、走对路径”。

在实战中，数据分类的价值链条清晰可见：

Step 1：判断数据结构——拿到数据后，先判断是结构化数据还是非结构化数据。如果是非结构化数据，需规划“非结构化→结构化”的转化路径（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）。

Step 2：识别计量层级——对于结构化数据，进一步识别各字段的计量层级。分类数据→用频数分析；顺序数据→用中位数、百分位数；数值数据→可用均值、标准差、t检验等。

Step 3：判断时间维度——判断数据集属于截面数据还是时间序列数据。截面数据→横向对比分析；时间序列数据→趋势分析、季节性分析。

Step 4：选择分析路径——基于前三步的判断，选择适配的分析工具和方法。

结尾

很多数据分析师拿到数据就开始计算，但当被问到“这批数据是结构化还是非结构化”“是分类数据还是数值数据”“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。

数据分类是数据分析的“第一道工序”——从结构化与非结构化的区分，到分类、顺序、数值三大计量层级的递进，再到截面数据与时间序列数据的辨析，每一层分类都决定了后续分析路径的选择。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，是面对多元化数据源时的第一道决策关卡。

CDA数据分析师的核心价值之一，正是通过精准的数据分类，为每一次分析“选对工具、走对路径”——而不是拿到数据就盲目套用方法。

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）
2. 练习判断一批数据属于结构化数据还是非结构化数据
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



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