子集筛选（Select by Data Index）组件研究

版本：Orange3.38.1
作者：erichoo
时间：2025.6.15 9:00-2025.6.15 16:00
地点：重庆市江津区

1 背景知识

在数据挖掘过程中，同源数据常因分析目标差异走上不同处理路径。后续若想基于行标识，从不同路径处理后的结果里精准筛选关联数据子集，Select by Data Index 组件就能满足这一需求。 本文后续把Orange软件的Select by Data Index 组件翻译为子集筛选组件。
子集筛选组件的核心逻辑是：接入“Data”（主数据集，可经特定路径处理 ）和“Data Subset”（子数据集，经另一路径处理 ），二者需同源。组件依据行标识从Data里挑出与Data Subset行标识匹配的记录。哪怕数据在不同路径中经历变量替换、特征变换，行标识也能锁定数据行身份，保障筛选精准关联。
子集筛选组件的典型应用场景如下：

1. 特征工程后的数据对齐
   做特征工程时，对原始数据集的部分变量做变换得到处理后新变量，形成新的数据集，然后还需原始数据集中筛选出新数据集行匹配的数据，保障后续建模数据一致。比如电商用户行为分析，原始数据集有浏览时长、点击量等变量，通过分析后，生成浏览时长等级、点击活跃度等新特征，后续又需对齐原始表其他维度数据，用于用户画像。
2. 多步骤分析的数据衔接
   数据挖掘流程里，先对全量数据进行维度压缩、抽样、清洗得到中间子集，后续需用原始全量数据中对应行的更多维度信息深化分析。如医疗数据分析，先从患者全量数据做初步疾病特征筛选，形成中间子集，再用子集筛选组件找回全量数据中对应患者的基因、病史等完整信息做诊断模型构建。
3. 跨算法结果整合验证
   针对同一训练数据集采用不同算法进行分析，会产生多份带有行标识的预测结果表。子集筛选组件可以将不同算法的预测结果与原始数据特征整合，从而比较不同算法的效果。例如在营销场景下，对比随机森林和支持向量机两种算法对高潜力客户的预测差异，并结合客户年龄、消费频次等原始特征，交叉验证预测准确性，为营销策略制定提供更全面的依据。
4. 异常检测与原始数据溯源
   对数据集进行异常检测后，会得到标记异常样本的子集，但这些样本在原始数据中的完整信息对定位异常原因至关重要。利用子集筛选组件，可从原始全量数据中筛选出与异常样本子集行标识匹配的记录，回溯异常数据的完整上下文。例如在网络安全分析中，先通过孤立森林算法识别出疑似攻击行为的样本，再用组件找回原始网络流量日志中对应行的详细数据（如IP地址、请求时间、协议类型），帮助安全人员快速定位攻击来源与特征。

2 功能详解

子集筛选的功能配置界面如下图：

以下按照标红数字编号，依此介绍每一个组件功能：

1. Data rows keep …
   此组件并无任何配置功能，只有一段文本描述该组件的功能。该段文本的意思是：数据行保留其身份，即便部分或全部原始变量被替换；该组件接收两个可追溯至同一数据源的数据表（“Data” 和 “Data Subset” ），并基于行身份（而非实际数据内容 ）从 “Data” 中选出所有在 “Data Subset” 里出现的行。
2. 输入数据集概况
   输入数据集用竖线分割Data与Data Subset的概况。如上图中的“150|3”，表示Data数据集150个实例，Data Subset数据集3个实例。
3. 输出数据集概况
   输出数据集用竖线分割Matching Data、Unmatched Data、Annotated Data三个数据集的概况，分别代表匹配数据、未匹配数据、标注数据。标注数据中，增加一个Selected列，通过YES/NO两个值来标识改行是否得到子集匹配。如上图中的“3|147|150”代表匹配数据3个实例、未匹配数据147个实例、标注数据150个实例。

3 实例

本实例以Iris数据集为来源，通过主成分分析与散点图，筛选样本，然后通过子集筛选组件，找回原始样本特征。ows文件如下图所示：

3.1 主成分分析

主成分分析选择了2个主成分，得到了150个实例、3个变量的Transformed Data数据集。详情如下图：

3.2 散点图

选择PC1、PC2两个变量来绘制Transformed Data数据集的散点图，并选择其中的部分样本，形成3个实例、4个变量的Selected Data数据集。

3.3 子集筛选

将原始Iris数据集作为Data，将3.2节得到的Selected Data数据集作为Data Subset，配置子集筛选组件，得到结果如下图：

点击输出数据集按钮，可以看到Matching Data、Unmatched Data、Annotated Data三个数据集的详情，如下图所示：

可以倒查出Selected为Yes的行号分别为24、86、123。下图为这三个样本的主成分分析与对应的原始数据对比情况：

4 总结

本文聚焦 Orange软件的Select by Data Index组件，介绍其子集筛选功能，并通过Iris数据集的主成分分析实例，展示了子集筛选组件在特征对齐场景下的应用。
示例ows文件已经传入gitee，路径地址为：
https://gitee.com/erichoocq/ai-erichoo-open/tree/master/Orange/samples
文件名称为：
test_select_by_index.ows