所有数据都来自特定的上下文，并且通常是提出特定问题的结果。一切都很好，直到我们尝试使用相同的数据在不同的上下文中回答不同的问题。将现有数据集与新问题组合时，您必须询问收集数据的原始上下文是否与新问题和新上下文兼容。如果上下文兼容，那么继续前进通常是合理的。如果不是，那么您应该停止或提出一些使这两种情况兼容的原则或统计假设。优秀的数据分析师通常会很快做到这一点，甚至可能没有意识到他们正在这样做。然而，我认为，明确认识到这项任务对于确保数据分析能够提供明确的答案和有用的结论非常重要。 随着数据科学和现有数据集的分析不断发展，了解上下文兼容性变得越来越重要。
所有现有的数据集都
来自某个地方，重要的是分析师知道它在哪里以及它是否与其要去的地方兼容。如果两种情况之间存在不相容性（根据我的经验，这种情况几乎总是如此），那么所引用的任何假设或 菲律宾手机号码列表 统计原理都可能会给最终结果带来不确定性。如果在分析中没有正式考虑的话，这种不确定性至少应该传达给公众。在某些情况下，数据的原始上下文和新分析的上下文将非常不兼容，以至于不值得使用数据来回答新问题。 我想提供我自己工作的两个例子，其中上下文兼容性发挥了重要作用。 示例：数据链路和空间错位 空气污染数据往往是通过监视器收集的，这些监视器可以合理地视为位置点。美国环保署收集的空气污染数据。收集它们主要是为了监控法规的遵守情况。这里的想法（大致）是，我们不希望一个县或州的任何部分的空气污染超过一定阈值。
因此我们策略性
地将监测器放置在某些位置，并根据空气监测器的 电话号码 质量标准监测它们的值可以提供监测器周围一般区域空气污染水平的代表性测量值，但其代表性水平取决于特定污染物的测量值以及该区域污染源的性质。最终，对于合规性监控，监控者的代表性如何并不重要， 健康数据往往是在总体水平上衡量的，特别是当它来自行政来源时。我们可以知道一个县或省或邮政编码的每日死亡或住院人数。由于上下文不匹配，无法将健康数据与空气污染数据联系起来：健康数据是在本地测量的（居住在某个政治边界内的人口数量），而污染数据是在点位置测量的，因此存在不兼容性空间测量尺度。我们只能通过执行以下操作之一将它们链接到数据源： 假设监测值代表全县人口暴露情况。
