Module 01 · From Problem to Approach and From Requirements to Collection

Data Requirements从要求到收集：数据科学方法论 101 – 数据需求

1. 数据需求：数据科学的“烹饪”准备

数据科学方法论的这一部分可以被视为用数据进行“烹饪”。如果说需要解决的问题是**“食谱”，而数据是“食材”**，那么数据科学家需要明确以下关键步骤：

如果您的目标是做一份意大利面晚餐，但没有正确的配料，那么您的成功就会受到影响。在数据科学中，每一步都至关重要。

在巩固了对现有问题的理解，并选定了分析方法后，数据科学家就可以开始行动了。

在方法论的数据收集和数据准备阶段之前，定义数据需求对于决策树分类模型至关重要。这包括确定初始数据收集所需的数据内容、格式和来源。

在案例研究中，首要任务是为选定的决策树分类方法定义数据需求。这包括从医疗保险提供商的会员基础中选择一个合适的患者队列。

为了汇编完整的临床病史，确定了以下三项纳入标准：

纳入条件	具体要求	目的/说明
一、住院状态	患者必须在服务区域内以住院患者身份入院。	确保可以访问必要的信息。
二、诊断焦点	重点关注在整整一年内被诊断为充血性心力衰竭 (CHF) 的患者。	确保数据的相关性和时效性。
三、连续注册	患者必须在原发性 CHF 入院前，至少有六个月的连续注册记录。	以便能够汇编完整的病史。

同时被诊断患有其他严重医疗状况的 CHF 患者被排除在该队列之外，因为这些状况会导致高于平均水平的再入院率，从而可能扭曲结果。

随后，确定了决策树分类所需的数据内容、格式和表示形式。

所需格式：该建模技术要求每位患者只有一条记录，列代表模型中的变量。
所需内容：为了对再入院结果进行建模，需要涵盖患者临床病史的所有方面的数据，包括：
- 入院信息
- 主要、次要和三级诊断 (Primary, Secondary, Tertiary Diagnoses)
- 手术程序 (Procedures)
- 处方 (Prescriptions)
- 住院期间或就诊期间提供的其他服务

由于单个患者可能拥有数千条事务性记录来代表其所有相关属性，因此，数据科学家需要将这些事务性记录汇总到患者级别，并创建一系列新变量来表示这些信息，才能达到“每位患者一条记录”的格式。

⚠️ 前瞻性思维：

这种汇总工作属于数据准备阶段的工作，因此，提前思考并预测后续阶段是至关重要的。

感谢收看！本视频结束了课程中**“数据需求”**的部分。