筆者 Sobi 任職知名外商，摸過各式各樣大資料小數據，喜歡聽故事，也喜歡說故事，《程式猿吃香蕉🍌》客座專欄作家
資料科學家眼中的世界是什麼樣？是用一個個酷炫的人工智慧模型生出世界的樣貌？還是分佈在空間向量中的的滿天資料，像星空一樣浪漫閃爍？
都不是！其實答案很簡單，而且既不酷炫也不浪漫。資料科學家眼裡的世界也跟你我一樣，只是在他們的腦袋裡多做了一件事：
努力把看到的事物量化。
為什麼要這麼做呢？因為現實世界看似分散而毫無關聯的各種現象，都得透過這個過程整理成資料，才能夠使用統計、機器學習、AI等工具進行分析處理，進而找出問題跟解答，用來改善這個世界。
▍資料建模 (Data Modeling)：串接現實世界與資料科學的橋樑
什麼是資料建模呢？簡單的說就是：
把現實世界的現象，用建立模型的方式變得抽象化，然後就可以使用一組整合的邏輯觀念，透過對抽象資料的分析來瞭解現實世界。
這就我們玩模型的道理一樣。設計模型時，製作者挑選了真實世界事物的特徵，放進模型中。也因此，我們可以透過對模型的觀察，瞭解真實世界事物的特徵為何。再舉個例子，建設公司為了促銷自己的房屋專案，都會打造樣品屋，作為接近真正房屋的「實體上」 的參考，客戶便可藉由此模型和房仲的介紹，瞭解預售屋的實際狀況，來決定是否為自己理想中的房屋。
資料建模，就是在資料科學世界打造你要的模型，確定資料可以還原在真實世界的模樣，以便日後可以做各種資料呈現與應用。
熱血的各位！先不急著問入行到底要學哪種程式語言最好？還是哪種機器學習模型最厲害？聽到這裡，你們應該能夠了解，資料建模，其實是資料科學最重要的基礎啊！不管應用是商業智慧 BI (Business Intelligence) 還是人工智慧 AI (Artificial Intelligence)，都需要透過嚴謹的資料建模，確保資料能夠精確描述待解決的現實問題，才是能產出品質良好的資料，套用各種工具分析應用。
資料品質不好的話，會發生什麼事情呢？有句名言：「 garbage in garbage out」（垃圾進，就垃圾出啊），也就是說，你把垃圾丟進任何系統，就算是再厲害的人工智慧大神，產出的也只會是垃圾，不會變成黃金的！
▍資料科學家：優秀的翻譯官
資料建模，我更偏好說這是一套翻譯的方法：
資料科學家在這個過程中扮演的就是翻譯。
將現實世界的問題量化之後，翻譯成電腦懂的格式，存起來！
真實世界裡存在的各種生物，在資料科學的量化世界會是怎麼樣呢？如下圖所示。
在進入資料建模之前，請先收下處理量化資料的重要概念，再用生活化的例子來說明資料建模的概念和怎麼實作，讓大家看看資料科學家日常的奮戰是怎麼一回事！
▍處理量化資料之兩大重點
❶ 儲存空間：RDB
現今最常使用的是關聯式資料庫 Relational Database（簡稱RDB，當說出RDB，大家會認為你是專家👍🏻），什麼是資料庫呢？顧名思義，是資料的儲存庫。那，什麼是關聯式呢？簡單的說，不同的資料放在各自的存取空間（資料表）裡面，然後有一連串的邏輯，用來定義跟管理這些資料之間的關係。這樣的話拿到一筆資料，還可以輕鬆取得其他相關的資料，是不是很簡單好用呢？
❷ 運算語法：SQL
有了資料庫，我們要怎麼查詢裡面的資料？關聯性資料庫提供了一套專門的指令集，讓使用者可以利用資料庫的各種功能，對存在裡面的資料進行運算跟查詢，這套語法稱為「結構化查詢語言」（Structured Query Language，簡稱為 SQL）。這個字看起來沒有母音，乍看也不知道怎麼發音，但是對資料科學家來說，可是入行的必備武器呢！不信的話，打開 Linkedin，只要跟資料相關的工作，一定都會把 SQL 列進必備技能，請準備入行的熱血青年們務必熟練喔。
關於上述兩大重點，如果你想更了解技術細節，網路上早就有海量文章在討論，不在此贅述。我這邊就來換個切入點，來帶著大家一步一步學習怎麼把看似一團糨糊的實體世界現象，整理出頭緒，變成整齊量化的資料，才能存在關聯式資料庫裡，利用神奇的SQL語法，把現實生活的各種煩惱疑問分門別類，找到線索解決問題。
按照往常，說個故事先！讓我們來看看某個宅宅工程師的（真實）煩惱吧！
▍對日常事物做量化：你喜歡的會有幾個？
⊙ 場景：辦公室閒聊
🤦♂️ 宅宅：「煩死了，昨天我女朋友又問我喜歡他哪裡？我就說喜歡你可愛啊，結果女生居然生氣耶！這樣也要氣？」
👨🏽 同事Ａ：「我猜你女朋友會說：『那那個誰誰誰也是可愛，你也喜歡她囉？』」
👨 宅宅：「ㄟ！你怎麼知道？她氣噗噗耶！」
👨🏽 同事Ａ：「我知道，因為我也被問過，然後她就變成我前女友了….」
👨 宅宅：「（安靜兩秒）好吧！節哀順變。結果我女友氣得要命，沒辦法，我只好說『沒有啦，你不只可愛，還聰明又漂亮啊！』」
💁🏻♂️ 同事Ｃ：「照這個邏輯，你女友也可以說『那那個誰誰誰也是可愛又聰明漂亮，所以，你也喜歡她囉？』」
👨 宅宅：「哇靠！你怎麼猜到的啊？結果我就想啊，不然再加一個年輕好了。「沒有啦，你不止可愛又聰明漂亮，而且還很年輕啦～』」
👨🏽同事Ａ：「我來猜猜，結果她是不是問你：『那那個誰誰誰別人跟我同年，所以你也一樣愛她？』」
💁🏻♂️ 同事Ｃ：「還是女生說了『如果我不再年輕了，你還會愛我嗎？』？」
👨 宅宅：（無言點頭）
🤦♂️🤦🏽♂️🤦🏻♂️眾人：（眼神死）
👨 宅宅：「哎，她最後放話說：『你給我好好想清楚，怎麼證明你只愛我一個！』」
終於，在最後的最後！
🦸♂️（一邊路過的）老司機同事Ｊ：
答案很簡單！你應該跟她說：『我就愛你的身分證字號啊！』
一陣雄壯的笑聲在安靜的午後爆開，阿宅工程弟兄拍腿大叫：
對啦對啦，因為身分證是唯一值，獨一無二，絕對不重複！！
偉哉資料科學部門，只有被資料長期荼毒的工程師阿宅們，才想得出來為了要表現只愛你一個的專一，連身分證字號都拿出來了…
🐧🐧🐧••••••••• 當年在旁邊參與這場對話的我，居然地聽懂了阿宅之間的冷笑話，然後也不爭氣地笑噴。
各位，先別急著關心「到底誰會買單『表達唯一的愛，只能愛上身分證字號」這個爛答案啦？」只是拿來當個引子，正好接著看看資料科學家怎麼運用量化的概念，解決各種世界上的問題。（雖然不知道那位宅宅工程師這麼說完，問題到底解決了沒有…）
▍萬事萬物都必須要被量化的描述
資料科學世界中，一首歌，一部電影，一個人，一幅畫，一筆訂單，一次點擊行為，都必須變成一筆一筆的資料，以結構化格式存進電腦裡。
那麼，要怎麼開始建立量化資料呢？第一步，我們需要以結構化的方式對物件進行描述。簡單說來，就是要幫物件建立格式化的特徵，才能給電腦運算。舉例來說，我們可以說一個人「身高很高」但是要存進資料庫的時候，問題就來了：身高高，是跟誰比？高跟矮之間的差別是多少？兩個人都標示「很高」，那誰比較高呢？所以要放進資料庫的資料裡面，我們會定義「身高 = 180cm」這樣的紀錄來表現客觀的身高高度，而不是使用「很高」這種文字描述。
記得兩個重點：
❶ 什麼形式儲存？
現今資料科學分析最常使用的是關聯表格，非技術背景的讀者可以先用試算表（例如Excel）資料表一行一行的格式來想像一下。
❷ 儲存什麼資訊？
就是俗稱的欄位，用試算表來類比的話，就是每一行紀錄的不同格子，裡面會隨著我們的資料分析需要，放入不同的資料（例如第一格放身分證字號，第二格放名字，接著是身高體重…）。
就以上述工程師對話來做個練習吧！
如何儲存「可愛聰明又漂亮，還很年輕的女生」？
首先，我們可以在資料庫開立一個新的關聯式資料表，來記錄身邊的朋友們，就先把名字叫做 「Friends」吧！再將這些描述人的特質，變成一個一個欄位，以符合結構化資料的標準。
「可愛聰明又漂亮，還很年輕的女生」可以用以下五個欄位來形容：性別、個性、年齡、外表、智商。
- ✔️ 女生對應到性別欄位
- ✔️ 可愛對應到個性欄位
- ✔️ 年輕對應到年齡欄位
- ✔️ 聰明對應到智商欄位
- ✔️ 漂亮對應到外表欄位
接下來，再套入其他朋友的敘述，檢視是否可以完整記錄這些人的樣貌。比方說：「聰明又帥，身高180的暖男」
- ✔️ 男生對應到性別欄位
- ✔️ 暖對應個性欄位
- ✔️ 帥對應到外表欄位
- ✔️ 聰明對應到智商欄位
- ❓ 身高180對應到…
我們就會知道還少了一個欄位：身高，再加入新欄位即可。
最後，反覆將腦海中所知道的朋友特質輸入關聯式資料表。呈現結果如下圖：
完整記錄所有朋友的特質之後，我們就有了一張資料表：Friends，作為日後查詢運算資料的依據啦！
▍運算量化資料：SQL
量化資料之後妥妥地存在資料表裡了，要回答的是女孩兒的各種反問：可愛的女生？可愛又年輕的女孩？符合這些條件的女生都不只有一個啊！首先，先來計算可愛的女孩有幾個好了。
資料科學家如何接招呢？在資料科學的世界裡，最常使用的程式語言之一：SQL，閃亮登場！！！
（SQL怎麼唸呢？我都念「SQL～」….不是啦～)
可以拆開來唸 Ｓ！Ｑ！Ｌ！或者念/ˈsiːkwəl/ 西闊～
好的，回到主題。
怎麼使用SQL查詢資料表，回答可愛的女生有幾個？
對於人腦來說，這樣的搜索常常跟靈感有關，今天問跟明天問答案不盡相同，但是對於電腦來說就不是這樣子的，因為我們都已經結構化資料存起來啦。程式語言就是這樣一板一眼的，只有符合格式，電腦才會聽你的話給出正確答案喔。
請各位務必注意以下三點：
❶ 哪一個表格可以回答的你的問題？
資料表 Friends（朋友的資料都放在這個資料表裡，別的資料表裡找不到）
❷ 顯示的答案是什麼？
某幾個欄位？還是一個欄位的統計數據：計算個數？加總？平均？還是最大值？SQL語言有提供一組內建函數，可以幫我們做以上列出的各種統計運算。在這個例子中，我們要計算的是個數，對應到的SQL函數是COUNT(*)（有支援哪些函數呢？可以上網自己查看看喔）
❸查詢條件：可愛的女生
這種時候要注意的是，不同的欄位放的資料性質是各自獨立的，例如如果你要找女生，這個資料只會放在「性別」欄位，而不會放到「個性」欄位裡，弄錯的話就查不到資料了！
所以，問句轉換成SQL語法，會是：
來看看語法結構與問句的對應會更加清楚。
掌握了這個概念之後，就算女孩兒不斷地舉一反三各種特例：可愛又聰明漂亮，可愛漂亮 …… 我們也可以透過調整查詢條件來回答，比方說：
- ⭕
可愛漂亮➡️ WHERE 個性= ‘可愛’ and 外表= ‘漂亮’ - ⭕
可愛又聰明漂亮➡️ WHERE 個性= ‘可愛’ and 外表= ‘漂亮’ and 智商= ‘聰明’
手把手教學到這裡，先暫停一下工程思考，請個性耿直的各位多想一下：女孩為何不厭其煩地問呢？
🤔🤔🤔🤔
很久很久以前，我很小很小的時候，紅透半邊天的周華健這樣唱著：
這首歌真的很好聽，哀怨地自問自答，尤其這句貫穿整首歌曲：你喜歡的會有幾個？聽了心都揪成一團，問世間情為何物，這真的是好揪心呀！
不過，回到本文正題，其實女孩想要聽到的唯一正解就是：
「我愛的只有妳一個！」
啊～～怎麼辦？方才建立的Friends 資料表，不管怎麼修改查詢條件，都不能保證只有一個啊！！！方才我們一一鍵入的欄位都有可能重複：
所以目標就是找到不會重複的資訊，而身分證字號是不會重複。
所以要好好的回答女朋友的問題：「你喜歡怎麼樣的人？」找出那個最重要的「唯一解」在資料科學的量化世界裡，就可以簡單用這招啦！
唯一解：
當在儲存結構化資料時候，為了要確保資料不會重複輸入，要加入一個欄位，每一筆資料都會有一個獨一無二的值，稱為主要鍵值（Primary key，簡稱PK，通常會在產生資料表的時候加上設定，以流水號的方式自動產生）拿剛剛提到的宅宅實際案例來說，要記錄人的最適合主要鍵值，那就是身分證字號了，因為每個人的身分證字號都獨一無二，最適合拿來當作PK囉！總結一下，兩個步驟！
Step 1. 量化資料
將各式各樣的朋友建立為關聯式資料表Table: Friends
Step 2. 查詢資料
確認問題並撰寫查詢條件：答案只能有女朋友一個，故使用身分證字號（唯一值）。
現在回頭看上述案例，是否恍然大悟！！
▍資料建模，是技術💻，也是藝術🎨
😱😱😱 OMG，為了讓大家了解資料科學家怎麼處理現實世界的問題，我居然連同事的秘密都出賣了。
但不得不說，將真實世界翻譯成結構化資料，其實是很有趣的作業！遙想當年我還在人文科系，接觸到資料科學的入門作業就是撰寫描述資料的資料 ( Metadata )，聽起來很拗口，其實就是練習怎麼描述一首歌，一本書的欄位練習，紀錄歌曲和書本我們都已經相當熟練，但真實世界的物件如此多元豐富，怎麼描述茶葉，蝴蝶，圖片...，當年那堂課的確像是敲門磚，讓我決心要踏進了這迷人的行業，就從人文的角度來看資料科學怎麼解決問題！
進入實務的工程領域之後，當年覺得好玩的作業根本沒有派上用場！因為初學者只能乖乖使用別人定義好的結構化資料 ，比方說：訂單資料。
熬了若干年，寫了很多程式，終於有機會幹一番大事，比方說：新 App 上市之前，老闆交付你做出推薦系統。所有一切就從如何翻譯現實世界開始：從前端需求訪談到後端的資料建模。我終於有機會回到當年那個想要橫跨人文與科技橋樑的初心。
關於資料建模的技術和藝術又是另外一個篇章，值得好好聊聊！
資料科學小教室，我們下次見喔！
若是喜歡我分享的內容，歡迎幫我按個拍手，可拍 50下，給我一點鼓勵，或是加入我的粉絲團《程式猿吃香蕉🍌》，一起分享軟體知識與心得！
