Types of Data in Data Analysis: انواع داده در تحلیل داده

انواع داده در Data Analysis چیست؟

یکی از اولین مفاهیمی که در Data Analysis باید یاد بگیریم، شناخت Types of Data یا انواع داده است.

داده‌ها فقط مجموعه‌ای از اعداد نیستند. در یک Dataset ممکن است با:

• Numbers
• Text
• Categories
• Dates
• Boolean Values
• Ordinal Values
• Continuous Measurements
• Discrete Counts

و انواع دیگر داده روبه‌رو شویم.

شناخت نوع داده اهمیت زیادی دارد، زیرا نوع داده روی روش ذخیره‌سازی، پاک‌سازی، Visualization، Statistical Analysis و حتی انتخاب آزمون آماری تأثیر می‌گذارد.

برای مثال، اگر یک ستون شامل جنسیت یا گروه آزمایشی باشد، نباید آن را مانند یک متغیر Continuous تفسیر کنیم. همچنین اگر یک ستون شامل تاریخ باشد، بهتر است به‌عنوان Datetime شناخته شود تا بتوان عملیات زمانی روی آن انجام داد.

در Python و به‌خصوص Pandas نیز شناخت صحیح Data Types برای تحلیل صحیح Dataset ضروری است.

چرا شناخت انواع داده در تحلیل داده مهم است؟

فرض کنید Dataset زیر را داریم:

هر ستون ماهیت متفاوتی دارد:

• Age → Numerical
• Gender → Categorical
• Education → Ordinal Categorical
• Income → Numerical
• Date → Datetime
• Purchased → Boolean

اگر همه این ستون‌ها را صرفاً «داده» در نظر بگیریم، بخشی از اطلاعات مهم درباره نحوه تحلیل آنها را از دست می‌دهیم.

دو روش مهم برای طبقه‌بندی Data

در Data Analysis معمولاً می‌توان داده‌ها را از دو دیدگاه اصلی طبقه‌بندی کرد:

1. بر اساس ماهیت و سطح اندازه‌گیری

مانند:

• Nominal
• Ordinal
• Interval
• Ratio

2. بر اساس شکل یا ساختار مقدار

مانند:

• Numerical
• Categorical
• Discrete
• Continuous
• Binary
• Text
• Datetime

این دو دسته‌بندی رقیب یکدیگر نیستند.

مثلاً:

Age یک Numerical، Continuous/Discrete-dependent variable و از نظر Measurement Scale یک Ratio Variable است.

بنابراین برای تحلیل حرفه‌ای بهتر است هر دو دیدگاه را بشناسیم.

1. Numerical Data — داده‌های عددی

Numerical Data داده‌هایی هستند که مقادیر آنها به‌صورت عددی بیان می‌شوند و می‌توان روی آنها عملیات ریاضی معنادار انجام داد.

مثال:

Age
25
31
42
28
35

یا:

Temperature
21.5
23.2
19.8
25.1

نمونه‌های دیگر:

• Age
• Height
• Weight
• Income
• Price
• Temperature
• Blood Pressure
• Number of Purchases

البته اینکه یک مقدار با رقم نوشته شده باشد به‌تنهایی کافی نیست.

مثلاً:

Postal Code = 10115

ممکن است عدد باشد، اما از نظر تحلیلی معمولاً یک Identifier/Code است، نه یک Numerical Measurement.

2. Discrete Data — داده‌های گسسته

Discrete Data داده‌هایی هستند که معمولاً از شمارش به دست می‌آیند و مقادیر قابل‌شمارش دارند.

مثلاً:

Number of Customers = 25
Number of Purchases = 7
Number of Errors = 3

تعداد مشتری نمی‌تواند 25.7 باشد.

مثلاً:

0
1
2
3
4
...

نمونه‌های رایج:

• Number of Employees
• Number of Orders
• Number of Children
• Number of Website Visits
• Number of Errors

3. Continuous Data — داده‌های پیوسته

Continuous Data می‌توانند در یک بازه، مقادیر بسیار زیادی داشته باشند و معمولاً از Measurement به دست می‌آیند.

مثلاً:

Height = 175.4 cm
Weight = 72.8 kg
Temperature = 23.67 °C
Time = 4.382 seconds

بین دو مقدار نیز می‌توان مقادیر دیگری وجود داشته باشد.

مثلاً بین:

72.0

و:

73.0

مقادیر زیادی مانند:

72.1
72.25
72.63
72.91

ممکن است وجود داشته باشند.

Discrete vs Continuous

تفاوت را می‌توان به شکل ساده زیر مشاهده کرد:

در عمل، نحوه ثبت و دقت Measurement نیز اهمیت دارد. مثلاً Height ممکن است در Dataset به‌صورت Integer ذخیره شود، اما ماهیت اندازه‌گیری آن Continuous است.

4. Categorical Data — داده‌های طبقه‌ای

Categorical Data داده‌هایی هستند که افراد یا مشاهدات را در گروه‌ها یا Categories قرار می‌دهند.

مثلاً:

Gender
Male
Female
Female
Male

یا:

Department
Sales
Marketing
IT
Sales

نمونه‌های دیگر:

• Country
• Product Category
• Blood Type
• Treatment Group
• Device Type
• Education Level

Categorical Data در Python و Pandas

در Pandas ممکن است یک Category به‌صورت object یا string ذخیره شود.

مثلاً:

import pandas as pd

df = pd.DataFrame({
    "Department": [
        "Marketing",
        "Sales",
        "IT",
        "Marketing"
    ]
})

می‌توانیم نوع Category را به‌صورت صریح‌تر مشخص کنیم:

df["Department"] = df["Department"].astype("category")

استفاده از category در برخی Datasetها می‌تواند هم از نظر حافظه و هم از نظر بیان معنای داده مفید باشد.

5. Nominal Data — داده‌های اسمی

Nominal Data نوعی Categorical Data است که Categories دارای ترتیب ذاتی نیستند.

مثلاً:

Country
Iran
Germany
Japan
Canada

هیچ ترتیب ذاتی مانند:

Iran < Germany < Japan

وجود ندارد.

مثال‌های دیگر:

• Eye Color
• Blood Type
• Gender
• Country
• Department
• Product Category

آیا می‌توان Nominal Data را با عدد نشان داد؟

بله، اما باید مراقب تفسیر آن باشیم.

مثلاً:

Red = 1
Blue = 2
Green = 3

وجود عدد 1، 2 و 3 به این معنی نیست که:

Green > Blue > Red

اعداد در اینجا فقط Labels/Codes هستند.

این نکته در Machine Learning و Statistical Analysis اهمیت زیادی دارد.

6. Ordinal Data — داده‌های ترتیبی

Ordinal Data داده‌های Categorical هستند که Categories آنها دارای ترتیب مشخص هستند.

مثلاً:

Satisfaction
Low
Medium
High

ترتیب وجود دارد:

Low < Medium < High

اما فاصله بین Categories الزاماً مشخص یا برابر نیست.

مثال‌های دیگر:

• Education Level
• Satisfaction Level
• Pain Severity
• Agreement Level
• Service Rating

مثلاً:

Strongly Disagree
Disagree
Neutral
Agree
Strongly Agree

ترتیب مشخص است، اما نمی‌توان بدون فرض اضافی گفت فاصله بین همه این Categories دقیقاً یکسان است.

Nominal vs Ordinal

این تفاوت برای انتخاب روش Statistical Analysis اهمیت دارد.

7. Binary Data — داده‌های دودویی

Binary Data فقط دو مقدار یا دو حالت دارد.

مثلاً:

Yes / No
True / False
Present / Absent
Purchased / Not Purchased

در Python ممکن است این داده‌ها به شکل Boolean ذخیره شوند:

True
False

یا:

0
1

اما باز هم باید مشخص باشد که 0 و 1 چه معنایی دارند.

مثال Binary Data

df = pd.DataFrame({
    "Purchased": [True, False, True, True, False]
})

می‌توانیم تعداد هر حالت را بررسی کنیم:

df["Purchased"].value_counts()

8. Boolean Data

Boolean Data معمولاً شامل دو مقدار است:

True
False

در Python:

is_active = True

در Data Analysis ممکن است برای متغیرهایی مانند:

• Is Customer Active?
• Has Subscription?
• Is Approved?
• Is Fraud?
• Is Complete?

استفاده شود.

Binary vs Boolean

این دو مفهوم نزدیک هستند، اما دقیقاً یکسان نیستند.

Binary به ساختار دوحالتی داده اشاره می‌کند.

Boolean معمولاً نوع داده‌ای است که مقادیر True/False را نشان می‌دهد.

بنابراین یک Binary Variable می‌تواند با:

Yes / No

یا:

0 / 1

نیز ذخیره شود.

9. Text Data — داده‌های متنی

Text Data شامل متن آزاد یا String است.

مثلاً:

"This product is excellent."

یا:

"The patient reported mild discomfort."

Text Data در پروژه‌هایی مانند:

• Sentiment Analysis
• Natural Language Processing
• Customer Reviews
• Social Media Analysis
• Document Analysis

کاربرد دارد.

در Python:

text = "Python is useful for Data Analysis"

در Pandas نیز معمولاً با String Data کار می‌کنیم.

10. Date and Time Data

Date and Time Data شامل اطلاعات زمانی است.

مثلاً:

2026-01-15
2026-02-20
2026-03-05

یا:

2026-03-05 14:35:20

این نوع داده برای:

• Time Series Analysis
• Sales Trends
• Website Analytics
• Sensor Data
• Financial Analysis

بسیار مهم است.

تبدیل Date به Datetime در Pandas

df["Date"] = pd.to_datetime(df["Date"])

پس از آن می‌توان ویژگی‌هایی مانند:

df["Year"] = df["Date"].dt.year
df["Month"] = df["Date"].dt.month
df["Day"] = df["Date"].dt.day

را استخراج کرد.

11. Time Series Data

Time Series Data داده‌هایی هستند که در طول زمان ثبت شده‌اند.

مثلاً:

در اینجا Time یک بُعد مهم تحلیل است.

نمونه‌های دیگر:

• Stock Prices
• Temperature
• Website Traffic
• Daily Sales
• Sensor Measurements
• Heart Rate Measurements

Time Series Data معمولاً نیازمند روش‌های تحلیلی خاص خود است.

12. Structured Data

Structured Data داده‌هایی هستند که ساختار مشخص و منظم دارند.

مثلاً یک جدول:

این نوع داده معمولاً در:

• SQL Databases
• CSV
• Excel
• Data Warehouses

وجود دارد.

Pandas برای کار با Structured Tabular Data بسیار مناسب است.

13. Unstructured Data

Unstructured Data ساختار جدولی مشخصی ندارد.

مثال:

• Text Documents
• Images
• Videos
• Audio
• Emails
• Social Media Posts

برای تحلیل این داده‌ها ممکن است به تکنیک‌ها و ابزارهای دیگری نیاز داشته باشیم.

مثلاً:

Text → NLP
Image → Computer Vision
Audio → Speech / Audio Processing
Video → Video Analysis

Python در بسیاری از این حوزه‌ها نیز اکوسیستم گسترده‌ای دارد.

14. Semi-Structured Data

بین Structured و Unstructured، Semi-Structured Data قرار می‌گیرد.

نمونه‌های رایج:

• JSON
• XML
• HTML

برای مثال:

{
    "name": "Ali",
    "age": 28,
    "department": "Research"
}

این داده کاملاً جدولی نیست، اما دارای ساختار و Metadata است.

Python می‌تواند برای پردازش چنین داده‌هایی استفاده شود.

Structured vs Semi-Structured vs Unstructured

15. Qualitative Data

Qualitative Data داده‌هایی هستند که بیشتر برای توصیف ویژگی‌ها، تجربیات، مفاهیم یا Categories استفاده می‌شوند.

مثلاً:

Customer Feedback:
"Delivery was very fast."

یا:

Pain Level:
Mild
Moderate
Severe

Qualitative Data می‌تواند شامل Text و Categorical Variables باشد.

16. Quantitative Data

Quantitative Data داده‌هایی هستند که به‌صورت عددی بیان می‌شوند و برای اندازه‌گیری یا شمارش استفاده می‌شوند.

مثلاً:

• Age
• Weight
• Income
• Number of Purchases
• Temperature
• Distance

Quantitative Data معمولاً به دو گروه مهم تقسیم می‌شود:

Quantitative Data
       ↓
 ┌───────────────┐
 ↓               ↓
Discrete      Continuous

Qualitative vs Quantitative

این تقسیم‌بندی برای شروع Data Analysis بسیار مفید است، اما در تحلیل آماری حرفه‌ای باید Measurement Scale و ساختار دقیق Variable نیز بررسی شود.

Measurement Scales در Data Analysis

یکی از مهم‌ترین طبقه‌بندی‌ها در Statistics، Levels of Measurement است.

چهار سطح کلاسیک عبارت‌اند از:

1. Nominal
2. Ordinal
3. Interval
4. Ratio

17. Nominal Scale

در Nominal Scale فقط Category داریم و ترتیب ذاتی وجود ندارد.

مثال:

Blood Type:
A
B
AB
O

یا:

Country:
Iran
Japan
Germany

18. Ordinal Scale

در Ordinal Scale ترتیب وجود دارد.

مثلاً:

Low
Medium
High

اما فاصله بین آنها لزوماً مشخص نیست.

19. Interval Scale

در Interval Scale فاصله بین مقادیر معنی‌دار و برابر در نظر گرفته می‌شود، اما Zero واقعی وجود ندارد.

نمونه کلاسیک:

Temperature in Celsius

برای مثال:

20°C
30°C

اختلاف 10 درجه معنی‌دار است.

اما 0°C به معنی «نبود دما» نیست.

بنابراین نسبت‌هایی مانند:

40°C دو برابر 20°C است

از نظر Measurement Scale معنای مشابهی با Ratio Data ندارد.

20. Ratio Scale

در Ratio Scale علاوه بر فاصله‌های معنادار، Zero واقعی وجود دارد.

مثال:

• Weight
• Height
• Distance
• Age
• Income
• Duration

برای مثال:

10 kg
20 kg

می‌توان گفت 20 kg دو برابر 10 kg است.

Nominal, Ordinal, Interval, Ratio

این جدول یکی از مهم‌ترین بخش‌های پایه‌ای Data Analysis و Statistics است.

مثال کامل برای تشخیص Data Types

Dataset زیر را در نظر بگیرید:

این مثال نشان می‌دهد که یک Variable می‌تواند از چند دیدگاه طبقه‌بندی شود.

Data Types در Python

Python Data Types پایه شامل مواردی مانند:

int
float
str
bool
list
tuple
dict
set

هستند.

مثلاً:

age = 28          # int
weight = 72.5     # float
name = "Ali"      # str
active = True      # bool

اما در Data Analysis باید بین Python Data Type و Statistical Data Type تفاوت قائل شویم.

Python Data Type vs Statistical Data Type

برای مثال:

age = 28

از نظر Python یک int است.

اما از نظر Data Analysis:

Age یک Numerical Variable و معمولاً یک Ratio Variable است.

مثال دیگر:

education = "Master"

از نظر Python یک str است.

اما از نظر Statistical Analysis:

Education یک Categorical Ordinal Variable است.

بنابراین Data Type فنی در Python با معنای آماری Variable یکسان نیست.

بررسی Data Types با Pandas

برای مشاهده نوع ستون‌ها:

df.dtypes

مثلاً:

Age             int64
Income        float64
Gender         object
Purchased        bool
Date           object

در این مرحله باید بررسی کنیم آیا Python Data Type با ماهیت واقعی Variable سازگار است یا خیر.

اصلاح Data Types در Pandas

مثلاً تبدیل Date:

df["Date"] = pd.to_datetime(df["Date"])

تبدیل Category:

df["Gender"] = df["Gender"].astype("category")

تبدیل عدد:

df["Age"] = pd.to_numeric(df["Age"], errors="coerce")

این کارها بخشی از Data Preparation هستند.

چرا Data Type اشتباه مشکل‌ساز است؟

فرض کنید ستون زیر داریم:

Age
25
30
35
40

اما Python آن را به‌صورت String ذخیره کرده باشد:

"25"
"30"
"35"
"40"

در این حالت برخی عملیات عددی ممکن است به شکل مورد انتظار انجام نشوند.

یا اگر Date به‌صورت String باشد، تحلیل زمانی ممکن است با مشکل مواجه شود.

بنابراین:

Correct Data Type → Correct Processing → More Reliable Analysis

Data Type و Data Visualization

نوع داده روی انتخاب Visualization نیز تأثیر دارد.

مثلاً:

Numerical + Numerical

برای بررسی Relationship:

Scatter Plot

Categorical + Numerical

برای مقایسه گروه‌ها:

Bar Plot / Box Plot

Numerical Distribution

برای Distribution:

Histogram

Time + Numerical

برای Trend:

Line Chart

Data Type و Statistical Analysis

نوع Variable یکی از عوامل مهم در انتخاب روش آماری است.

برای مثال، تحلیل یک Variable Continuous با یک Variable Nominal با تحلیل دو Variable Categorical یکسان نیست.

به همین دلیل قبل از Statistical Testing باید مشخص شود:

• Variable Type
• Measurement Scale
• Distribution
• Study Design
• Sample Size
• Independence
• Other Assumptions

چیست.

مثال: تحلیل یک Dataset پزشکی

فرض کنید Dataset زیر را داریم:

در چنین Datasetی نمی‌توان همه Variables را به یک روش تحلیل کرد.

نوع Variable باید در انتخاب روش تحلیل در نظر گرفته شود.

مثال: تحلیل Dataset بازاریابی

فرض کنید یک Dataset مربوط به Marketing داریم:

اکنون می‌توانیم سؤال‌های مختلفی مطرح کنیم:

آیا Revenue بین Customer Segments متفاوت است؟

یا:

آیا Conversion Rate در طول زمان تغییر کرده است؟

یا:

آیا تعداد خرید با Revenue ارتباط دارد؟

نوع Variableها در تعیین روش تحلیل نقش دارد.

Data Types و Machine Learning

شناخت Data Types در Machine Learning نیز اهمیت دارد.

برای مثال:

Numerical Features
       ↓
Scaling / Transformation
       ↓
Model

در حالی که:

Categorical Features
       ↓
Encoding
       ↓
Model

ممکن است نیاز به تبدیل‌هایی مانند:

• One-Hot Encoding
• Ordinal Encoding
• Target Encoding

وجود داشته باشد.

اما روش Encoding باید با نوع Variable و Model سازگار باشد.

Identifier با Numerical Data اشتباه نشود

یکی از اشتباهات رایج مبتدیان این است که هر ستونی که عدد دارد را Numerical Variable در نظر بگیرند.

مثلاً:

Customer_ID
1001
1002
1003

این اعداد معمولاً Identifier هستند.

محاسبه میانگین:

mean(Customer_ID)

از نظر تحلیلی معمولاً معنای مفیدی ندارد.

بنابراین:

Numeric-looking data is not always numerical data.

مثال‌های رایج از داده‌هایی که ممکن است اشتباه طبقه‌بندی شوند

Postal Code

ممکن است به شکل عدد ذخیره شود، اما معمولاً Categorical/Identifier است.

Phone Number

عدد به نظر می‌رسد، اما Measurement نیست.

Customer ID

عددی است، اما معمولاً Identifier است.

Product Code

عددی یا Alphanumeric است، اما معمولاً Category/Identifier است.

Rating 1–5

ممکن است Ordinal باشد، حتی اگر به‌صورت Integer ذخیره شده باشد.

یک چارچوب ساده برای تشخیص Data Type

هنگام مشاهده یک Variable این سؤالات را بپرسید:

سؤال 1

آیا مقدار یک Measurement یا Count است؟

اگر بله:

Numerical

سؤال 2

آیا مقدار فقط یک گروه یا Label را مشخص می‌کند؟

اگر بله:

Categorical

سؤال 3

آیا Categories ترتیب دارند؟

اگر بله:

Ordinal

اگر نه:

Nominal

سؤال 4

آیا مقدار در طول زمان ثبت شده است؟

اگر بله:

Datetime / Time Series

سؤال 5

آیا فقط دو حالت دارد؟

اگر بله:

Binary / Boolean

سؤال 6

آیا مقدار یک شناسه است؟

اگر بله:

Identifier

این روش ساده می‌تواند از بسیاری از خطاهای اولیه در Data Analysis جلوگیری کند.

Data Types Cheat Sheet

DATA
│
├── Numerical
│   ├── Discrete
│   └── Continuous
│
├── Categorical
│   ├── Nominal
│   └── Ordinal
│
├── Binary / Boolean
│
├── Text
│
├── Date & Time
│
├── Structured
├── Semi-Structured
└── Unstructured

و از دید Measurement Scale:

Measurement Scales
│
├── Nominal
├── Ordinal
├── Interval
└── Ratio

چگونه Data Types را در Python برای Data Analysis یاد بگیریم؟

برای شروع، این ترتیب آموزشی مناسب است:

مرحله 1 — Python Data Types

یادگیری:

• int
• float
• str
• bool
• list
• dict

مرحله 2 — Statistical Data Types

یادگیری:

• Numerical
• Categorical
• Discrete
• Continuous
• Binary

مرحله 3 — Measurement Scales

یادگیری:

• Nominal
• Ordinal
• Interval
• Ratio

مرحله 4 — Pandas Data Types

یادگیری:

• int64
• float64
• string
• boolean
• category
• datetime

مرحله 5 — Data Preparation

یادگیری:

• Type Conversion
• Missing Values
• Validation
• Encoding
• Data Cleaning

این مسیر پایه بسیار مناسبی برای ورود به Exploratory Data Analysis و Statistical Analysis with Python ایجاد می‌کند.

جمع‌بندی

شناخت Types of Data in Data Analysis یکی از پایه‌های مهم Data Literacy است.

مهم‌ترین انواع داده که باید بشناسید عبارت‌اند از:

• Numerical Data
• Discrete Data
• Continuous Data
• Categorical Data
• Nominal Data
• Ordinal Data
• Binary Data
• Boolean Data
• Text Data
• Date and Time Data
• Time Series Data
• Structured Data
• Semi-Structured Data
• Unstructured Data

همچنین در Statistics باید چهار Measurement Scale را بشناسیم:

• Nominal
• Ordinal
• Interval
• Ratio

در Python و Pandas نیز باید بدانیم که Technical Data Type با Statistical Meaning یکسان نیست.

برای مثال:

Age = 28

ممکن است در Python یک int باشد، اما در Data Analysis یک Ratio Numerical Variable محسوب می‌شود.

یا:

Education = "Master"

از نظر Python یک str است، اما از نظر تحلیل داده یک Ordinal Categorical Variable است.

بنابراین یک تحلیلگر داده خوب فقط نمی‌پرسد:

«این ستون چه Data Typeای در Python دارد؟»

بلکه می‌پرسد:

«این Variable از نظر آماری و معنایی چه نوع داده‌ای است و این موضوع چگونه باید روش تحلیل من را تحت تأثیر قرار دهد؟»

این تفاوت یکی از پایه‌های مهم Professional Data Analysis است.

Frequently Asked Questions — FAQ

مهم‌ترین انواع داده در Data Analysis چیست؟

Numerical، Categorical، Discrete، Continuous، Binary، Text و Date/Time از انواع مهم داده هستند. در Statistics نیز Nominal، Ordinal، Interval و Ratio به‌عنوان Measurement Scales اهمیت دارند.

تفاوت Discrete و Continuous چیست؟

Discrete Data معمولاً از Counting به دست می‌آیند، مانند تعداد سفارش‌ها. Continuous Data معمولاً حاصل Measurement هستند، مانند وزن، قد یا دما.

تفاوت Nominal و Ordinal چیست؟

هر دو Categorical هستند، اما Ordinal دارای ترتیب است. برای مثال Country معمولاً Nominal است، در حالی که Satisfaction Level می‌تواند Ordinal باشد.

چهار سطح Measurement در Statistics چیست؟

چهار سطح کلاسیک عبارت‌اند از Nominal، Ordinal، Interval و Ratio.

آیا هر داده عددی یک Numerical Variable است؟

خیر. Customer ID، Postal Code و Phone Number ممکن است با اعداد نمایش داده شوند اما معمولاً Measurementهای Numerical نیستند.

Data Type در Python چیست؟

Data Type مشخص می‌کند Python یک مقدار را چگونه ذخیره و پردازش کند؛ مانند int، float، str و bool.

Data Type در Pandas چگونه بررسی می‌شود؟

با استفاده از:

df.dtypes

می‌توان Data Type ستون‌های DataFrame را مشاهده کرد.

چرا Date باید به Datetime تبدیل شود؟

تبدیل Date به Datetime امکان انجام عملیات زمانی مانند استخراج Year، Month و Day و انجام Time-Series Analysis را ساده‌تر می‌کند.

آیا Satisfaction Score یک Numerical Variable است؟

بستگی به نحوه تعریف و اندازه‌گیری آن دارد. اگر Categories مانند Low، Medium و High باشند، Ordinal است. اگر یک Score عددی باشد، باید نحوه تعریف و Measurement آن را نیز در نظر گرفت و صرفاً از روی عدد بودن آن درباره Scale نتیجه‌گیری نکرد.

چرا شناخت Data Types برای Data Analysis مهم است؟

زیرا نوع و معنای Variable روی Data Cleaning، Visualization، Statistical Analysis، Encoding و انتخاب روش‌های تحلیلی تأثیر می‌گذارد.

مسیر این مقاله در Academy-Tech

این مقاله بهتر است به‌عنوان یکی از مقالات پایه‌ای Python Data Analysis Topic Cluster قرار گیرد:

Python Data Analysis
        │
        ├── What Is Data Analysis and Why Use Python?
        │
        ├── Python for Data Analysis:
        │   Complete Beginner's Guide
        │
        ├── Why Python Is Widely Used
        │   for Data Analysis
        │
        ├── Python Data Analysis Workflow
        │
        ├── Types of Data in Data Analysis
        │
        ├── NumPy for Data Analysis
        │
        ├── Pandas for Data Analysis
        │
        ├── Data Cleaning with Python
        │
        ├── Exploratory Data Analysis with Python
        │
        ├── Data Visualization with Python
        │
        └── Statistics for Data Analysis with Python

مقاله بعدی پیشنهادی:
“What Is NumPy? Complete Beginner’s Guide for Data Analysis”

این مقاله بعدی از نظر آموزشی مکمل مناسبی است، چون بعد از شناخت انواع داده، وارد یکی از مهم‌ترین ابزارهای Numerical Data Analysis در Python می‌شویم.