在本文中，我们将讨论属性以及数据分析中的各种类型。我们还将在示例的帮助下介绍属性类型，以便更好地理解。因此，让我们一一讨论。
属性 ：
属性是显示为数据实体属性的数据项。机器学习文献倾向于使用“特征”一词，而统计学家则倾向于使用“变量”一词。
例子 –
让我们考虑一个示例，例如姓名，地址，电子邮件等是联系信息的属性。
给定属性的感知值称为观察值。属性的多样性由一组可行值(标称值，二进制，序数或数字)所坚持。
属性类型：
- 标称属性：
名词的意思是“与名字有关”。标称属性的实用程序是对象的符号或标题。每个值代表某种类别，代码或状态，因此名义属性也称为类别。例子 –
假设肤色和受教育程度是表达人对象的两个属性。在我们的实现中，肤色的可能值为深色，白色，棕色。教育状态的属性可以包含以下值：本科，研究生，预科。肤色和受教育程度都是名义属性。 - 二进制属性：
二进制属性是名义属性的类别，仅包含两个类：0或1，其中0经常表明该属性不存在，而1则表明该属性存在。如果两个条件都符合true和false，则将二进制属性提到为布尔值。例子 –
给定饮酒者叙述患者的属性，则1指定饮酒者喝酒，而0指定饮酒者不饮酒。同样，假设患者接受的医学检查有两个可行的结果。 - 顺序属性：
序数属性是具有可行优势的属性，在其中具有显着的顺序或等级，但是未知连续值之间的巨大关系。例子 –
假设食物数量与餐厅可用的菜肴种类相对应。标称属性具有三个可能的值：启动器，主过程，组合。这些值具有对应于不同食物数量的有意义的顺序，但是，我们无法从这些值中得知中等大小比大多少。
- 数值属性：
数值属性是可计算的，也就是说，它是构成整数或实数值的可量化数量。
数值属性可以分为以下两种类型：时间间隔缩放和比率缩放。让我们一一讨论。
- 间隔–缩放属性：
间隔–缩放的属性是在均等大小单位的层板上计算的。间隔缩放的属性的值具有顺序，并且可以为正，0或负。因此，除了提供值的排名外，此类属性还使我们能够比较和量化值之间的差异。例子 –
温度属性是一个间隔-缩放。对于每一天，每一天都是一个实体，我们有不同的温度值。通过对值进行排序，我们获得了与温度有关的实体排列。此外，我们可以量化两个值之间的值差，例如20摄氏度的温度比15摄氏度的温度高5摄氏度。 - 比率–缩放属性：
比例缩放属性是具有即将到来或固定零点的数字属性的类别。包括在内，实体是结构化的，我们还可以计算值之间的差异，以及均值，中位数和众数。例子 –
开尔文(K)温度标度被认为是真正的零点。在这一点上，由物质组成的小块具有零动能。
- 间隔–缩放属性：
- 离散属性：
离散属性具有一组受限制的或受限制的不受限制的值，这些值可能显示为整数。肤色，饮酒者，医疗报告和饮酒量属性每个都有有限数量的值，因此是离散的。 - 连续属性：
连续属性具有实数作为属性值。例子 –
身高，体重和温度具有真实值。实际值只能使用有限的数字表示和测量。连续属性通常表示为浮点变量。