
12
|
第二章:是只有我這樣,還是這個資料本身令人感到有趣?
依據精準的定義,如 CTR 這種數值的比例不應該超過 1。當然,不論定義為何,它仍然
有可能會超過 1(畢竟本書是在講壞資料 ...),但它通常都不應該超過 1。特別是你發現
值是幾百或幾千時,那就很有可能有問題了。
財務值應該也有合理的上限。至少在我所處理過的資料種類中,PPC 與 CPC 的值在數
百美元左右應該是合理的,絕對不會是數千美元以上。你的可允許範圍很有可能會不
同,但不論範圍為何,請確保讓資料看起來是合理的。
你也能夠查看欄位的平均值(或是類似如模數或是中位數等的統計方式),來看看它是
否合理。舉例來說,若某個小東西的售價是大約 10 元美金,但在你的「小東西售價」
欄位中的平均是 999 元美金,那麼一定就是發生某些錯誤了。這也能夠幫助確認單位。
若這個欄位是用「角」為單位,而不是用「元」當單位,那麼 999 就是一個合理的值。
這種確認的好處就是它們可以很容易的被自動化,這對會定時更新的資料集合來說是非
常有用的。花幾個小時來確認新的資料集合並不會太麻煩,並且可能可以獲得對於該資
料的直覺想法,但若要一直重複執行就不是那麼有趣了。並且,若你擁有一個每小時更
新的 rss 摘要,你可能要像迪士尼樂園中 Jungle Cruise 的導遊一樣地工作(「我覺得超
有趣,我想要再玩一次!再一次!再一次!」)。
視覺化
另一個我發現非常有用的技巧就是,在一個資料欄位中建立值的統計直方圖。這對於非
常大型的資料集合特別有幫助,因為前面所討論的單純統計僅能知道資料的表面。統計 ...