P3-1.1 数据建模想要达成什么¶

Section ID: P3-1.1 Version: v2026.07.20

一进入 Part 3，读者很快就会遇到 sample、feature、baseline、output structure、target 这些词。它们并不是彼此分开的。真正把 什么算一条记录、哪些值要保留、拿什么去比较、最终要用什么结果格式收口 一起决定下来的外层判断，就是 data modeling。

如果只把数据建模理解成整理存储结构，就很容易把它想成“把已经存在的表整理得更好看一点”。但在 AI 和数据分析里，数据建模是更靠前的一层判断。它是在决定：现在这份源数据，应该被改造成什么样的问题结构，才能回答某个问题？

最常见的早期混淆，是把 数据库该怎么存 和 AI 该怎么读这个问题结构 当成同一件事。它们确实有关，但目标不同。

比较点	先看存储结构的视角	Part 3 的数据建模视角
最先问的问题	如何无遗漏地存下记录，并且之后还能找回？	应该怎样构造样本和比较结构，才能回答一个问题？
代表单位	一条日志、一条事件、一条传感器测量	一次动作、一个近期区段、一个实体作为分析样本
主要关心点	是否无遗漏、关联正确、可以追踪	能比较什么，还要保留哪些特征
直接产出	原始日志表、事件表、可 join 的存储结构	摘要表、特征表、基准线比较表、复核输出结构
这一 Part 里的问题	也许仍然是起点，但不是终点	Part 3 全程都在处理的中心问题

如果说存储结构是 为了不丢记录的框架，那么数据建模更接近 为了回答问题而构造比较结构的框架。即使面对同一份源数据，只有存储结构也还不够。只有连 应该把它按什么样本单位、用什么比较基准重新读 都一起定下来，学习和分析所需的表才真正建立起来。

假设这里有一份自动执行动作的记录。源数据里可能有逐时刻的传感器值、控制参数、动作开始与结束时间。这个结构也许已经足够用于存储和追踪。但仅凭这种状态，还是很难立刻回答 这次动作和以往相比是否不同、近期区段的重复性是否在晃动、人应该先看什么 之类的问题。

这里数据建模真正想达成的目标其实很简单：不是原样接受源数据，而是把它改造成能被人比较、也能被模型使用的结构。通常要做出来的结果可以拆成四层。

决定什么算一条样本。
构造描述这条样本的特征。
建立近期状态要拿来对比的基准线。
决定输出结构，比如结果是给人复核，还是作为预测目标候选。

因此，数据建模更接近 设计让问题可解的比较结构，而不只是 整理表格。

在这里，也需要一起固定数据建模与数据科学的关系。数据科学是一个更大的流程，里面包含数据收集、清洗、探索、汇总、比较、解释、预测，以及和决策的连接。Part 3 聚焦的数据建模，则更接近其中 把源数据改造成适合 AI 学习和分析的问题结构 这一前段判断。换句话说，Part 3 不是在教授整个数据科学，而是在处理 AI 学习必须经过的数据科学核心设计区间。

把数据建模实际上要产出的东西并排摆出来，会更清楚。

想要达成的结果	为什么需要它	后面会连到的问题
样本单位	因为必须先决定什么算一条记录	一行到底表示什么？
特征表	因为必须构造可用于比较和学习的描述值	哪些值应该留下？
基准线比较结构	因为近期状态必须放在平常状态旁边读	应该拿什么来比较？
输出结构	因为不能把人工复核和预测目标混在一起	最终结果该用什么形式输出？

这张表里最重要的一点是：数据建模还不是 模型选择 阶段。在这一阶段，比起分类器名字或深度学习结构，更早要决定的是要构造什么表、让什么比较成为可能。只有这样，后面机器学习部分里的 X、y、评估、基准模型才不会悬在半空。

把数据建模的判断顺序再压成一句话，可以这样读：

flowchart TD
  A["原始时序日志"] --> B["选择一个样本单位"]
  B --> C["汇总成特征"]
  C --> D["与基线比较"]
  D --> E["决定输出结构"]
  E --> F["复核候选或可用于预测的表"]

如果这样看仍然太抽象，把源数据表和建模后的表放在同一个场景里并排看，会更容易抓住。

假设源数据是这样的逐时刻日志。

action_id	t_sec	flow_rate	pressure	valve_open
A-101	0.0	24.8	101.2	1
A-101	1.0	25.1	101.0	1
A-101	2.0	23.9	102.4	1
A-102	0.0	24.7	100.9	1
A-102	1.0	24.8	101.1	1
A-102	2.0	24.8	101.0	1

这张表对于存储和追踪来说已经足够，但要直接比较 哪一次动作比平常更不稳定，就很困难。数据建模会把这种日志重新做成动作级摘要表。

action_id	flow_mean	flow_std	pressure_mean	late_drop_rate	baseline_gap	review_flag
A-101	24.60	0.63	101.53	-1.2	0.9	review
A-102	24.77	0.06	101.00	0.0	0.1	normal

这两张表之间的差别，正好说明了数据建模的目的。

源数据表保留的是逐时刻记录。
建模后的表显露的是比较与判断所需的样本单位和特征。
review_flag 这样的输出结构，是为了先筛出人要优先检查的对象。
baseline_gap 这样的比较列，则把近期状态直接连到平常状态上。

把人原来怎么读、以及数据建模改变了什么，再压成一个场景，会更清楚。

判断阶段	人直接读日志时	经过数据建模之后
一条样本怎么数	一次看一行时间记录	把一次完整动作聚成一样本
比较怎么做	靠眼睛来回扫多行	直接通过均值、波动和基准线差值比较
优先级怎么定	人重读后再选	先用 `review_flag` 一类列筛选
下一步行动	记录在，但判断会慢	可以直接交给复核候选表或预测输入表

flowchart TD
  A["时间步日志"] --> B["人工逐行查看"]
  B --> C["难以比较完整动作"]
  A --> D["把一个动作建模成一个样本"]
  D --> E["构造特征与基线差值"]
  E --> F["输出复核标记或可预测输出"]

数据建模做得好不好，并不是看有没有用上华丽的模型。更关键的是，看下面这些问题能不能回答。

现在这张表里的一行到底表示什么？
为什么要保留这个值？
它应该拿什么来比较？
这个结果是自动结论，还是只是给人复核的候选？

如果这四个问题都能回答，数据建模其实已经成功了很大一部分。反过来，如果这些问题答不上来，那么不管源数据有多少，后面的模型说明都很容易晃。真正提高学习密度，不是堆更多定义，而是给出足够多的案例和比较结构，让读者自己也能回答这四个问题。

因此，Part 3 不会把数据科学的所有话题都铺开。数据清洗和探索只在需要时带进来，统计检验和算法细节则先放到范围外。这里先固定的是 什么算样本、哪些值要保留、拿什么去比较、最终输出成什么结构。只要这个边界站稳了，数据问题就能被读成 在一个已经设计好的结构上继续求解的问题。

从更宽的角度看，这一节其实是在一起决定：什么该算一条对象、应该留下什么表达、拿什么去比较、最后用什么结果格式收口。因此，把数据建模理解成 先设计能够回答问题的表达和比较结构，比理解成单纯的 整理表 要准确得多。

来源与参考资料¶

W3C, PROV-Overview. provenance framework 说明它应当支持 object identification 和 derivation representation，因此它为这种一般判断提供依据：什么算一条对象、摘要表和比较结构是通过什么过程做出来的，都应该保留可解释性。 https://www.w3.org/TR/prov-overview/ / 确认日期: 2026-07-20
Google for Developers, Machine Learning Glossary 中的 labeled example、feature、label leakage。因为 example 应当是 feature 和 label 自然相连的单位，而 feature engineering 又是在构造有用输入结构，因此它支持这样的解释：Part 3 必须先固定样本单位、特征表和输出结构。 https://developers.google.com/machine-learning/glossary / 确认日期: 2026-07-20
U.S. Bureau of Labor Statistics, Base period. 它提供“拿某个时点或区段作为参考”的一般概念，因此支持这种说明：数据建模必须先建立一个基准线，用来比较近期状态。 https://www.bls.gov/bls/glossary.htm / 确认日期: 2026-07-20
Usama M. Fayyad, Gregory Piatetsky-Shapiro, Padhraic Smyth, From Data Mining to Knowledge Discovery in Databases. 它说明了包含数据收集、选择、预处理、转换与解释在内的更大知识发现流程，因此为这个边界提供背景：Part 3 并不是覆盖全部数据科学，而是聚焦在其中的问题结构设计和表达转换。 https://www.kdnuggets.com/gpspubs/aimag-kdd-overview-1996-Fayyad.pdf / 确认日期: 2026-07-20