第2章讨论了知识发现过程中重要的高层数据问题。本章是数据探索导论，对数据进行初步研究，以便更好地理解它的特殊性质。数据探索有助于选择合适的数据预处理和数据分析技术。它甚至可以处理一些通常由数据挖掘解决的问题，例如，有时可以通过对数据进行直观检查来发现模式。此外，数据探索中使用的某些技术（如可视化）可以用于理解和解释数据挖掘结果。

本章包括三个主题：汇总统计、可视化和联机分析处理（OLAP）。汇总统计（如值集合的均值和标准差）和可视化技术（如直方图和散布图）是广泛用于数据探索的标准方法。OLAP是一种新近开发的包含一系列考察多维数组数据的技术。OLAP的分析功能集中在从多维数据数组中创建汇总表的各种方法。OLAP技术包括在不同的维上或不同的属性值上聚集数据，例如，如果给定根据产品、位置和日期记录的销售信息，则可以使用OLAP技术创建按月和产品类别描述特定地点的销售活动的汇总。

本章涵盖的主题与探测性数据分析（Exploratory Data Analysis，EDA）有许多重叠，EDA是卓越的统计学家John Tukey于上世纪70年代创建的。像EDA一样，本章特别强调可视化，而与EDA不同的是，本章并不包含诸如聚类分析和异常检测等主题，其原因有二：首先，数据挖掘将描述性数据分析技术本身看作目的，而统计学（EDA由此发源）趋向于将基于假设的检验作为最终目标；其次，聚类分析和异常检测都是很大的领域，需要整章进行深入讨论。因此，聚类分析将在第8，9章给出，而异常检测则在第10章讨论。

3.1 鸢尾花数据集

在下面的讨论中，我们经常提到鸢尾花（Iris）数据集，该数据集可以从加州大学厄文分校（UCI）的机器学习库中得到。鸢尾花数据集包含150种鸢尾花的信息，每50种取自三个鸢尾花种之一：Setosa、Versicolour和Virginica。每个花的特征用下面5种属性描述：

(1) 萼片长度（厘米）。

(2) 萼片宽度（厘米）。

(3) 花瓣长度（厘米）。

(4) 花瓣宽度（厘米）。

(5) 类（Setosa, Versicolour, Virginica）。

花的萼片是花的外部结构，保护花的更脆弱的部分（如花瓣）。在许多花中，萼片是绿的，只有花瓣是鲜艳多彩的，然而，对于鸢尾花，萼片也是鲜艳多彩的。图3-1给出了一种Virginica鸢尾花的图片，鸢尾花的萼片比花瓣大并且下垂，而花瓣向上。