https://www.ilovematlab.cn/thread-46944-1-1.html

当我们进行数据分析之前要做一些准备的工作，就是让我们对我们拿到的数据能够有一个具体的感知，方便以后的处理工作，具体做到那些工作那？可以从下面两个方面对数据有一个大概的了解.1.基本的数据描述:  >>中心趋势度量: 比如均值，中位数，众数，中列数等    >>散布度量: 比如有极差，方差，四分位数等，其中盒型图是对这些度量的总结，根据主观度量

本文参考《Python数据分析与挖掘实战》一书。 对于数据挖掘的缺失值的处理，应该是在数据预处理阶段应该首先完成的事，缺失值的处理一般情况下有三种方式：1.删掉缺失值数据。2不对其进行处理 3.利用插补法对数据进行补充第一种方式是极为不可取的，如果你的样本数够多，删掉数据较少，这种情况下还是可取的，但是，如果你的数据本身就比较少，而且还删除数据，这样会导致大量的资源浪费，将丢弃了大量隐藏在这些记录

数据挖掘中异常值分析是保证数据质量的前提，它在数据处理的阶段是数据探索阶段，总之，找出数据的异常值，有利于我们最终得出的模型的稳定性。异常值分析主要有三种方法：1.简单的统计量分析：   我们可以先对采集到的数据做一个描述性的估计，最常用的方法就是最大值与最小值.用来判断这个变量是否超出常规的人们的理解等，你比如说，我们可以对一个人的年龄的属性列进行统计，假设得到的年龄最小值为-1，最大值为130

--本文是《Python数据分析与挖掘实战》的学习笔记经过数据探索与数据预处理，得到了可以直接建模的数据.根据挖掘目标与数据形式可以建立分类与预测、聚类分析、关联规则、时序模式和偏差检测等模型.分类与预测问题是预测问题的两种主要的类型，分类主要是预测分类标号（基于离散属性的），而预测是建立连续值函数模型，预测给定自变量对应的因变量的值.一.实现过程（1）分类    分类属于有监督学习的范畴，大致上

原则：先构造父类， 再构造成员变量，最后构造自己。先析构自己，再析构成员变量，最后析构父类。#include<iostream>using namespace std;class TestClass1{public:TestClass1(){cout << "A";}~TestClass1() {cout <&lt...