目录前言一、用户画像概述1.用户画像2.为何用聚类算法作用户画像二、数据质量校验1.数据背景2.数据说明三、数据预处理1.数据空缺值检验 2.数据归一化四、K-means聚类step1:选取K值手肘法step2:计算初始化K点step3:迭代计算重新划分五.画像分析前言该项目算是非常经典的金融业务用户画像的基础分析了，主要根据用户信用卡使用行为数据进行分析，根据收集到的不同字段信息，对每个用户划分类别。这里需要说明一下的是，聚类模型只是将具有相似行为的大部分用户聚集到一个类别里面，这点并不会考虑到每个字段的含义，也就是分成的类别并不是用户价值等级，此类别仅仅是这个类别大体相同的信用卡用户行为对
目录前言一、用户画像概述1.用户画像2.为何用聚类算法作用户画像二、数据质量校验1.数据背景2.数据说明三、数据预处理1.数据空缺值检验 2.数据归一化四、K-means聚类step1:选取K值手肘法step2:计算初始化K点step3:迭代计算重新划分五.画像分析前言该项目算是非常经典的金融业务用户画像的基础分析了，主要根据用户信用卡使用行为数据进行分析，根据收集到的不同字段信息，对每个用户划分类别。这里需要说明一下的是，聚类模型只是将具有相似行为的大部分用户聚集到一个类别里面，这点并不会考虑到每个字段的含义，也就是分成的类别并不是用户价值等级，此类别仅仅是这个类别大体相同的信用卡用户行为对
目录前言一、聚类分析二、K-means原理1.距离度量算法欧几里得距离（欧氏距离）
目录前言一、聚类分析二、K-means原理1.距离度量算法欧几里得距离（欧氏距离）
N-QueensThen-queenspuzzleistheproblemofplacingnqueensonann×nchessboardsuchthatnotwoqueensattackeachother. [#51]Givenanintegern,returnalldistinctsolutionstothen-queenspuzzle.Eachsolutioncontainsadistinctboardconfigurationofthen-queens'placement,where'Q'and'.'bothindicateaqueenandanemptyspacerespect
N-QueensThen-queenspuzzleistheproblemofplacingnqueensonann×nchessboardsuchthatnotwoqueensattackeachother. [#51]Givenanintegern,returnalldistinctsolutionstothen-queenspuzzle.Eachsolutioncontainsadistinctboardconfigurationofthen-queens'placement,where'Q'and'.'bothindicateaqueenandanemptyspacerespect
题目链接：leetcode1391.题目给你一个字符串s和一个字符串列表wordDict作为字典。请你判断是否可以利用字典中出现的单词拼接出s。注意：不要求字典中出现的单词全部都使用，并且字典中的单词可以重复使用。2.示例1）示例1：输入:s=“leetcode”,wordDict=[“leet”,“code”]输出:true解释:返回true因为“leetcode”可以由“leet”和“code”拼接成。2）示例2：输入:s=“applepenapple”,wordDict=[“apple”,“pen”]输出:true解释:返回true因为“applepenapple”可以由“apple”“
题目链接：leetcode1391.题目给你一个字符串s和一个字符串列表wordDict作为字典。请你判断是否可以利用字典中出现的单词拼接出s。注意：不要求字典中出现的单词全部都使用，并且字典中的单词可以重复使用。2.示例1）示例1：输入:s=“leetcode”,wordDict=[“leet”,“code”]输出:true解释:返回true因为“leetcode”可以由“leet”和“code”拼接成。2）示例2：输入:s=“applepenapple”,wordDict=[“apple”,“pen”]输出:true解释:返回true因为“applepenapple”可以由“apple”“
密度峰值聚类算法目录DPC算法1.1DPC算法的两个假设1.2DPC算法的两个重要概念1.3DPC算法的执行步骤1.4DPC算法的优缺点matlab代码密度计算函数计算delta寻找聚类中心点聚类算法目录DPC算法1.1DPC算法的两个假设1）类簇中心被类簇中其他密度较低的数据点包围；2）类簇中心间的距离相对较远。1.2DPC算法的两个重要概念1）局部密度设有数据集为，其中，N为样本个数，M为样本维数。对于样本点i的局部密度，局部密度有两种计算方式，离散值采用截断核的计算方式，连续值则用高斯核的计算方式。式中dij为数据点i与数据点j的欧氏距离，dc为数据点i的邻域截断距离。采用截断核计算的局
密度峰值聚类算法目录DPC算法1.1DPC算法的两个假设1.2DPC算法的两个重要概念1.3DPC算法的执行步骤1.4DPC算法的优缺点matlab代码密度计算函数计算delta寻找聚类中心点聚类算法目录DPC算法1.1DPC算法的两个假设1）类簇中心被类簇中其他密度较低的数据点包围；2）类簇中心间的距离相对较远。1.2DPC算法的两个重要概念1）局部密度设有数据集为，其中，N为样本个数，M为样本维数。对于样本点i的局部密度，局部密度有两种计算方式，离散值采用截断核的计算方式，连续值则用高斯核的计算方式。式中dij为数据点i与数据点j的欧氏距离，dc为数据点i的邻域截断距离。采用截断核计算的局
