分析标签集的最佳方法？答案

【问题标题】：Best approach to doing analysis of sets of tags?分析标签集的最佳方法？
【发布时间】：2012-05-09 18:49:49
【问题描述】：

我有数千个已根据回复内容标记的调查回复。每个响应可以有一个或多个标签（最多 20 个），并且标签相互独立，而不是被构造成类别-子类别或其他东西。

我希望能够进行如下分析：

给定标签有多少个实例？
总体上哪些标签出现频率最高？
标签 X 出现在哪里，还有哪些其他标签最常出现？
所有标签及其旁边的计数的列表
选择数据子集进行类似分析（例如按国家/地区）

与我一起工作的人历来都在 Excel 中解决所有问题（一般业务战略咨询工作），但在这种情况下不会奏效。他们的反应是将项目框架更改为 Excel 可以在数据透视表中处理的东西，但如果我们可以使用更强大的工具来支持更复杂的关系，那就更好了。

我一直在学习 SQLite，但开始担心我想做的事情会非常复杂。

我也一直在学习 Python（出于不相关的原因），我有点想知道 ORM 工具和一些 Python 代码是否是更好的选择。

然后是 Access 之类的东西（我没有，但如果它是这类东西的最佳选择，我可能愿意获得）。

总之，我很想知道这些分析总体上会有多难，以及哪些工具最适合这项工作。我完全接受我正在以一种倒退的方式思考部分或全部问题的想法，并且欢迎就我在这里所写内容的任何方面提出任何建议。

【问题讨论】：

理想情况下，分析至少会定期进行。

标签： python sql excel ms-access

【解决方案1】：

将所有标签收集到一个列表中，并使用 python collections.Counter 和相关方法来获取频率和许多其他统计信息。就这样

>>> from collections import Counter
>>> x=['java', 'python', 'scheme', 'scheme', 'scheme', 'python', 'go', 'go', 'c',
... 'c']
>>> freqs = Counter(x)
>>> freqs.most_common(1)
[('scheme', 3)]
>>>

【讨论】：

【解决方案2】：

虽然有关单个标签频率的数据应该很容易构建，但有关标签之间关系的数据却非常困难，属于数据挖掘的范畴。假设您有一个响应表、一个标签表和一个 response_tag 表，我将在非常高的级别上执行以下操作。

创建一个汇总表，其中列出了响应标签的每个唯一组合，以及一个指示该组合出现次数的列。表结构应该类似于combination (id, count)、combination_tags(combination_id, tag_id)。使用过程语句（ORM 或 SQL 游标）填充表，然后使用即席查询对数据进行采样。

这不是一个简单的操作，但它会使用简单的 RDBMS 为您提供结果，而无需使用企业级数据挖掘解决方案。

【讨论】：

【解决方案3】：

你有一个很小的数据集，所以你真的不需要任何类型的 ORM，只需在 Python 中加载所有数据并咀嚼它的报告。

SQL 作为一种语言对于更复杂的数据分析来说是可怕的（例如，在您真正想要交叉制表的地方等）。

【讨论】：

【解决方案4】：

使用 SQL！它对于数据分析非常强大。它将允许您在未来询问有关数据的问题。你还没有想到的问题。

虽然 SQL 作为一种语言可能看起来有点麻烦，但它比“真正的”编程语言更容易使用。就您而言，SQL 与 Excel 接口，因此用户可以通过他们熟悉的工具访问数据。

如果您确实使用 SQL，那么真正的数据库 (SQLLite) 是比 MSAccess 更好的解决方案。

我对 SQL 作为一种分析工具有足够的感觉，因此我写了一本关于该主题的书，“使用 SQL 和 Excel 进行数据分析”。您可以查看 Amazon cmets (http://www.amazon.com/Data-Analysis-Using-SQL-Excel/dp/0470099518/ref=pd_sim_b_1) 以了解它的效果。

【讨论】：