Skip to main content

非結構化數據

· 9 min read
戈頓
戈頓
Developer & Co-founder of Tecky Academy

近年數據科學及人工智能發展迅速，大眾開始對數據(Data)有很大興趣，甚至有「數據是未來的石油」(Data is the new oil)的講法。很容易會聽到如大數據(Big Data)、數據導向決策(Data Driven Decision)、數據化組織(Data Organization)等等與數據相關的詞語，其中重點，不外乎都是如何運用已儲存的數據，通過數據處理及數據分析，從而得出結論，幫助決策。筆者今日希望談談的，是另一個技術用語，與大數據一詞經常一齊出現，就是非結構化數據(Unstructured Data)。

Unstructured Data

Source

何謂數據​

要理解非結構化數據，要先理解何謂數據，廣義上的數據通常指的是原數據(Raw Data)，是我們為了記錄事物而製造出來，因此要定義數據，筆者會用以下的定義。

數據本質上是紀錄(Record)，是狀態的紀錄(Record of states)，通常專指未經處理的原數據(Raw Data)。

記錄的形式可以包羅萬有、層出不窮，一個原始人結的繩結是數據；一本寫在竹簡上的書是數據；一個Excel檔案也是數據。資訊科技的高速發展，令我們可以儲存及記錄大量數據。由數據開始，人類可以掫取資訊(Information)，歸納為知識(Knowledge)，內化成智慧(Wisdom)。

DIKW Pyramid

所以數據是分析、學習的基礎，沒有數據，則無法從中掫取資訊，知識就更不可能由其中歸納而成。因此現今對數據的重視，最終目的，就在於希望由分析原數據，得到未知的見解(insight)。

結構化​

只是有數據，仍是不夠，我們還需要將數據以結構化(Structured)的方式儲存，才能加以利用。試分析以下兩個情況:

  1. 將銷售數據變成如下圖Excel欄及列的形式，分門別類處理好。

Excel Table

  1. 收集好每一張銷售發票及銀行月結單，再作統計

Quotes Template

要作銷售額統計，兩者較為容易呢？理所當然是前者。 分野原因何在？最關鍵的原因，在於數據是否已經結構化，Excel的欄及列有明顯數據結構:Product、Countries、Qtr1、Qtr2都是早已定義好的 標頭，要做的只是將不正確的數據清理好，就可以開始分析數據。

相反，銷售發票通常容許較多彈性，沒有統一的填寫方法，例如上圖description中，容許使用者任意填寫任何文字，就稱不上是結構化數據，因為根本沒有一個統一的格式，在分析上就會遇到很多困難。亦正是如此，很多公司都利用系統生成銷售發票，正是為了規範格式。

簡而言之，結構化數據方便處理，也更容易分析，將數據儲存成結構化的格式，有明顯的好處。

那為何非結構化數據成為討論熱點？​

這就奇怪了，既然結構化的數據在處理遠比非結構化數據更為簡單，為何近年的討論都集中在非結構化數據之上呢？ 箇中原因其實很簡單，結構化數據在過去數十年間，早已是數據分析的中流砥柱，要分析結構化數據，甚至有一個專有的範疇:商業智能(Business Intelligence)就正正是專為了分析結構化數據而設，微軟近年開發的商業智能工具PowerBI就正正是其中最好的例子。

相反，非結構化數據卻被長期忽略，大家細想日常工作所傳送的電郵、收取的表格、Facebook上的影片等，都是數據的一部份，然而由於分析難度很大，通常在分析數據時，都會盡量避免處理這些數據，以節省人力物力。如分析大量Facebook影片的內容，不以人力逐一觀看，就只有運用現今深度學習的算法，如圖像辨識(Image Recognition)等，才能掫取有用的數據。正因如此，很多可能有用的數據就這樣被埋沒了。

結構化數據三層級​

除了上述的例，結構化和非結構化數據還有其他例子嗎？ 下圖綜合了三種不同結構化程度的數據:

Structured Data

由上圖可見，圖片、影片、即時對話內容、錄音、手寫資料、電郵、二進位檔等都是非結構化數據的最佳例子。而關聯式資料庫、CSV檔、Excel檔案等則是結構化數據的例子，能夠使用傳統的數據分析工具去處理及理解。 結構化數據及非結構化數據中間，還有一個灰色地帶，也就是半結構化數據，半結構化數據包含了常用傳輸格式: XML、JSON、YAML等，因為這些格式有一定的格式架構，例如JSON只支援數組(Array)、物件(Object)、字串(String)等常用的數據型別，但又不會像關聯式資料庫(RDBMS)般需要一個既定的型式，因此在編程中常常用作傳輸、儲存數據。NoSQL中使用的，也常常是半結構化數據，例如MongoDB就是儲存了JSON格式的數據。

有估計都認為，結構化數據及半結構化數據其實只佔了總體數據的百分之二十，剩餘的百分之八十都是屬於非結構化數據的領域。 日常工作、瀏覽網頁，用戶時刻都製造了許多數據，而這些數據，很多就屬於非結構化數據。

非結構化與數據科學​

正因大部份的數據本質上都是非結構化，因此在大數據時代的今日，要分析、處理、圖像化非結構化數據，就使數據科學(Data Science)成為了一門顯學。不同機構及公司都因此爭相聘請數據科學的人材，去處理這個長期忽略的「大多數」。無意之間也令大眾衍生了一種誤解:以為結構化數據與非結構化數據中間有一條楚河漢界，又或是以為非結構化數據是一個新的數據格式。實際上兩者都是由來已久，只是近年技術發展迅速，出現了不少大數據的工具，例如Apache Spark、Kafka、Hadoop等，數據處理工具Pandas等亦漸成主流，才令非結構化數據走到了舞台的中心位置。