CDA level 1 数据采集及预处理

此部分为CDA考试的第三章的内容，占考试比例的15%；

主要分为数据采集方法，市场调研和预处理三个部分。

一、数据采集方法

大纲要求熟知：一手数据采集中概率抽样与非 概率抽样的区别与优缺点

1，一手数据和二手数据：是基于数据使用者的角度来讨论数据的

一手数据：原始数据，是指直接获取的，没有经过加工或第三方传递获得的。（问卷测评，小组访谈，面对面沟通等）

二手数据：相对一手数据而言，通过第三方或者现有数据资料获取的数据。（国家统计局数据，知名文献）

一手数据和二手数据可以相互转换

一手数据和二手数据的优缺点：

如何选择一手数据和二手数据，根据如下形式判断

2，概率抽样和非概率抽样

当我们需要获取一手数据时，需要用到抽样的的方法选择测试群体。

影响抽样误差大小的因素：抽样误差的大小，主要由样本容量的大小和抽样方式决定；

抽样可以分为两类： 概率抽样（客观抽样）非概率抽样（主观抽样）

两种抽样的区别如下：

两种抽样的具体方法：

概率抽样方法：

分层抽样：如果总体可以按照一些特征分成若干层，层与层之间差异明显，每个层内部的个体特征相似，可以对每层做个简单抽样。抽样结果合并的合集就是最终确认的抽样样本；是概率抽样中使用最多的一种。

系统抽样：将每个个体进行编号，然后根据抽样样本容量，决定抽样的间距，也叫等距抽样或机械抽样；通常需要配合其他方法一起；

分段抽样：先把总体划分成一些大小差不多的群体，在这些群体中随机抽取几个，被抽中的群体，作为下一步随机抽样的"总体"

二，市场调研

大纲要求熟知：市场调研的基本步骤，单选题 和多选题的设置，数据编码及录入；

市场调研的基本步骤：提出问题，调查收集资料，分析预测问题，

单选多选问题的设置：单选题，需要注意选项间的关系，尽量做到不重不漏，避免答题者产生混淆；

                                                   单选题的答案可以用数字表示，但这些数字本身只作为名义测量进行处理

                                                    特殊情况，当问题是请参与者对某一事项进行打分时，数字具有大小关系的意义。可作为次序测量进行处理，不能进行四则运算。

                                    多选题，可以是限定个数的多选，也可以是不定项的，建议尽可能用单选替代。

数据编码及录入：收集回来的数据我们需要进行编码和录入，

                             编码录入：指根据字段含义来确定合适的数据类型。进行简化替代和录入的过程

                             数据的编码类型：数值变量，字符变量，二分变量和分类变量。

三。数据预处理方法

大纲要求熟知：数据预处理的基本步骤，需要根据需求明确可选的处理技术。

                                        数据探索，一般会通过集中趋势和离散程度两类指标进行探索。也可以通过图标形式，比如箱型图，QQ图，散点图。

                                                                                                                                    小数定标法，通过移动小数点的位置进行标准化。

数据清洗：填补遗漏的数据值，对于缺失的数据，通常用常数，中位数、众数，随机数或者模型的方法进行填补。

                   平滑有噪声数据，主要方法有分箱法和聚类法，也可以通过移动平均。

                    识别和去除异常值，可以通过数值或画图的方法来判断。单一变量：均值，分位数，对称分布的经验法则或切比雪夫不等式判断

两个或两个以上的变量：可以用聚类或散点图。  另外异常值并不总是一定要去除的，要根据实际情况和使用的模型判断。

                     解决不一致问题，

                      查重。