数据源是指数据的来源。数据库、应用程序接口（API）、日志文件、传感器、调查和公共记录都可以作为数据源。数据源决定了数据的结构、质量和可靠性。维护良好的、带有约束和验证机制的数据库比手工填写的电子表格能提供更清晰的数据。校准漂移的传感器会产生有偏差的读数。公共数据集可能不完整或已过时。

了解数据来源对于信任数据至关重要。数据来自哪里？谁收集的？何时收集的？如何收集的？采用了什么方法？排除了哪些数据？这些问题决定了数据能够支持什么，不能支持什么。一项针对100人的调查数据无法支持关于数百万人口的论断。一个只记录成功交易的系统会遗漏失败的交易。供应商提供的数据可能符合他们的预期用途，但并不适合你的用途。数据来源也会影响数据处理流程。一个具有稳定模式的数据库比一个每月都会更改HTML的网站更容易集成。一个有速率限制的API会限制你可以提取的数据量。手动提交的文件容易出现延迟和错误。数据来源是基础。薄弱的基础会破坏其上构建的一切。

常用数据源

• 数据库——来自应用程序的结构化记录
• API——通过编程方式访问外部系统
• 日志文件——系统和应用程序事件
• 传感器——连续物理测量
• 调查——来自人们的结构化回答
• 公共记录——政府和开放数据集

在相信数据之前，先了解数据来源。答案往往比数据本身更有启发性。