数据的世界：认识信息的海洋 / The World of Data: Understanding the Ocean of Information

数据的世界：认识信息的海洋

> The World of Data: Understanding the Ocean of Information

你每天睁开眼睛，世界就开始向你"汇报"——手表上的时间、窗外的光线、妈妈喊你起床的声音。这些看似平常的瞬间，其实都是由"数据"组成的。本章我们将一起潜入这片浩瀚的信息海洋，看看数据究竟是什么，它长什么样子，又是如何塑造我们今天的生活。

Every time you open your eyes, the world begins to "report" to you — the time on your watch, the light outside the window, your mother's voice calling you to wake up. These seemingly ordinary moments are actually made up of "data". In this chapter, we will dive into this vast ocean of information to see what data really is, what it looks like, and how it shapes our lives today.

---

1.1 数据的定义：看得见与看不见的符号记录

1.1.1 一个引人深思的问题

想象一下，如果今天没有人记录任何事情——没有日记本、没有摄像头、没有温度计——三天之后，你还记得昨天早餐吃了什么吗？一周之后，你还能说出上个月哪一天下过雨吗？

数据（Data）的存在，本质上是为了"对抗遗忘"。

In essence, data exists to "fight against forgetting."

1.1.2 数据的正式定义

在计算机科学与信息论（Information Theory）中，数据被定义为：能够被计算机识别、存储和处理的符号记录。这里的"符号"非常宽泛——它可以是一个数字（27℃），可以是一段文字（"今天很冷"），可以是一张照片里的一抹红色，还可以是一段旋律里的一个音符。

Formally, in computer science and information theory, data is defined as: symbolic records that can be identified, stored, and processed by computers. The "symbols" here are very broad — it can be a number (27°C), a piece of text ("It's cold today"), a hint of red in a photograph, or a single note in a melody.

我们可以用一个简单的公式来理解数据的本质：

We can understand the essence of data with a simple formula:

$$D = \{ s \mid s \text{ is a meaningful symbol in some context} \}$$

其中 $D$ 表示数据集，$s$ 表示单个符号。每一个符号，必须在某个上下文（Context）中具有意义，否则就只是"噪音"，而不是数据。

Where $D$ represents a dataset and $s$ represents a single symbol. Each symbol must have meaning in some context, otherwise it is just "noise," not data.

1.1.3 生活中的数据案例

让我们从早晨起床开始，列举你身边的数据：

Let's list the data around you, starting from the moment you wake up:

| 时间点 | 现象 | 数据的类型 | 数据的具体形式 | |---|---|---|---| | 7:00 | 闹钟响起 | 声音数据 | 数字音频文件（.mp3, .wav） | | 7:05 | 查看手机 | 文本数据 | 时间显示 "07:05" | | 7:10 | 测体温 | 数值数据 | 36.5℃ | | 7:15 | 看窗外 | 图像数据 | 像素矩阵（Pixel Matrix） | | 7:30 | 吃早餐 | 文字记录 | "鸡蛋、牛奶、面包" | | 8:00 | 出门上学 | 位置数据 | GPS 坐标 (39.9042°N, 116.4074°E) |

注意：位置数据通常以"度（°）"为单位表示经纬度，例如 $39.9042°\text{N}$ 表示北纬 39.9042 度。

Note: Location data is usually expressed in latitude and longitude in degrees, for example, $39.9042°\text{N}$ represents 39.9042 degrees north latitude.

1.1.4 数据的三个基本特征

无论是哪一种数据，它都具备以下三个基本特征：

Any kind of data has the following three basic characteristics:

1. 可记录性（Recordable）：数据必须能够被某种媒介记录下来。可以是纸张、黑板、硬盘或云端服务器。 Recordable: Data must be able to be recorded by some medium — paper, blackboard, hard drive, or cloud server.

2. 可传输性（Transferable）：数据可以从一个地方移动到另一个地方。例如，你可以通过微信把照片发给朋友。 Transferable: Data can be moved from one place to another. For example, you can send a photo to a friend via WeChat.

3. 可处理性（Processable）：数据可以被加工、计算或分析。例如，把 30 个同学的身高加起来，再除以 30，就得到平均身高。 Processable: Data can be processed, calculated, or analyzed. For example, adding the heights of 30 classmates and dividing by 30 gives the average height.

1.1.5 一个有趣的思考：噪音和数据的区别

你听过"宇宙背景辐射"吗？那是 138 亿年前宇宙大爆炸留下的"余温"。科学家用射电望远镜接收到它时，一开始以为是设备故障产生的"噪音（Noise）"。但后来证明，这些"噪音"里藏着宇宙诞生的秘密——它就变成了珍贵的科学数据。

Have you heard of "cosmic background radiation"? It is the "afterglow" left over from the Big Bang 13.8 billion years ago. When scientists received it with radio telescopes, they initially thought it was "noise" generated by equipment malfunction. But later it was proven that this "noise" contained the secrets of the birth of the universe — it became precious scientific data.

这个故事告诉我们：数据不是天生就有的，它需要被识别、被赋予意义。 同样的信号，在一个人眼里是垃圾，在另一个人眼里就是黄金。

This story tells us: Data is not born; it needs to be identified and given meaning. The same signal is garbage in one person's eyes and gold in another's.

---

1.2 数据的三大类型：结构化、半结构化与非结构化

1.2.1 为什么要给数据分类？

如果图书馆里有 100 万本书，但是没有分类、没有编号，那你要找一本《哈利·波特》可能要花上一整天。数据也是一样——面对海量信息，我们必须先分类，才能高效地管理和使用。

The same is true for data — facing massive amounts of information, we must first classify it in order to manage and use it efficiently.

数据科学家通常把数据分为三大类：结构化数据、半结构化数据和非结构化数据。

Data scientists usually divide data into three major categories: structured data, semi-structured data, and unstructured data.

1.2.2 结构化数据：整齐的表格

结构化数据（Structured Data） 就像一个整理得井井有条的课桌——每样东西都有固定的位置，可以用"行"和"列"来精确描述。最常见的结构化数据就是关系型数据库（Relational Database）中的表格。

Structured Data is like a well-organized desk — everything has a fixed position and can be precisely described by "rows" and "columns". The most common structured data is the table in a relational database.

例如，一个班级的考试成绩表：

For example, a class's test score table:

| 学号 (ID) | 姓名 (Name) | 语文 (Chinese) | 数学 (Math) | 英语 (English) | |---|---|---|---|---| | 2024001 | 小明 | 92 | 95 | 88 | | 2024002 | 小红 | 88 | 92 | 95 | | 2024003 | 小华 | 76 | 80 | 72 |

这种数据的特点是：

• **每一列都有明确的数据类型**（学号是整数，姓名是文字，成绩是小数）。
• **每一行代表一个完整的记录**（一个学生的全部信息）。
• **可以用 SQL 语言进行查询**（Structured Query Language，结构化查询语言）。

The characteristics of this kind of data are:

• **Each column has a clear data type** (ID is an integer, name is text, score is a decimal).
• **Each row represents a complete record** (all the information of one student).
• **It can be queried using SQL** (Structured Query Language).

1.2.3 半结构化数据：有标签但不完全整齐

半结构化数据（Semi-structured Data） 处于"整齐"和"杂乱"之间——它有标签（Tag）或键值对（Key-Value Pair），但不像表格那样严格。最典型的代表是 JSON（JavaScript Object Notation） 和 XML（eXtensible Markup Language）。

Semi-structured Data lies between "neat" and "messy" — it has tags or key-value pairs, but is not as strict as a table. The most typical examples are JSON and XML.

让我们看一个 JSON 格式的例子：

Let's look at an example in JSON format:

```json { "book": { "title": "Harry Potter and the Sorcerer's Stone", "author": "J.K. Rowling", "year": 1997, "characters": [ {"name": "Harry", "age": 11, "house": "Gryffindor"}, {"name": "Hermione", "age": 11, "house": "Gryffindor"}, {"name": "Ron", "age": 11, "house": "Gryffindor"} ] } } ```

注意看：JSON 数据使用了"键"（例如 `"title"`）和"值"（例如 `"Harry Potter"`）的配对，但里面的内容可以嵌套、可以变化——例如 `characters` 数组里可以有三个角色，也可以有三十个。

Notice: JSON data uses pairs of "keys" (e.g. `"title"`) and "values" (e.g. `"Harry Potter"`), but the content inside can be nested and varied — for example, the `characters` array can have three roles or thirty.

1.2.4 非结构化数据：自由但难以分析

非结构化数据（Unstructured Data） 是最庞大、最复杂的一类。它没有固定的格式，不能直接用表格来组织。图片、视频、音频、自由文本、社交媒体帖子……都属于这一类。

Unstructured Data is the largest and most complex category. It has no fixed format and cannot be directly organized into tables. Pictures, videos, audio, free text, social media posts... all belong to this category.

让我们用一个对比来理解这三类数据：

Let's use a comparison to understand these three types of data:

```mermaid flowchart TD A[数据的三种类型] --> B[结构化数据] A --> C[半结构化数据] A --> D[非结构化数据] B --> B1[成绩单表格] B --> B2[银行交易记录] B --> B3[Excel 表格] C --> C1[JSON 文件] C --> C2[XML 文档] C --> C3[电子邮件] D --> D1[照片与视频] D --> D2[语音消息] D --> D3[社交媒体文字] ```

> 图 1.1：数据三大分类及其典型示例（Data Categories and Typical Examples） > > 说明：本图清晰展示了数据的分类层级。从上到下，数据的"整齐程度"递减，而"灵活程度"递增。

1.2.5 案例研究：学校图书馆借阅记录

为了让你更深入地理解这三种数据，我们以"学校图书馆借阅记录"为例，逐步分析。

To give you a deeper understanding of these three types of data, let's use the example of "school library borrowing records" and analyze it step by step.

步骤 1：原始的借阅登记表（结构化）

Step 1: Original borrowing registration form (structured)

| 借书证号 | 姓名 | 书名 | 借出日期 | 应还日期 | |---|---|---|---|---| | L001 | 王小明 | 《十万个为什么》 | 2024-09-01 | 2024-09-30 | | L002 | 李小红 | 《西游记》 | 2024-09-02 | 2024-10-01 |

这是一份典型的结构化数据，每一列都有明确的含义。

This is a typical structured data, with clear meaning for each column.

步骤 2：图书馆系统的后端日志（半结构化）

Step 2: Library system backend log (semi-structured)

```json { "event": "borrow", "timestamp": "2024-09-01T10:23:45", "user": { "id": "L001", "name": "王小明", "grade": 5 }, "book": { "isbn": "9787533255943", "title": "100,0