文章目录一、前言二、类型的基本归类1、整形家族2、浮点数家族3、构造类型4、指针类型5、空类型三、整型在内存中的存储【⭐】1、原码、反码、补码①概念介绍②原码与补码的转换形式总结③探究计算机内部的存储编码2、大小端介绍【补码存储的顺序】①大小端的由来②为什么要有大端和小端之分？③大（小）端字节序存储✍一道百度系统工程师笔试题3、数据范围的介绍①char与signedchar数据范围②unsignedchar数据范围③原码、反码、补码数据范围对比✒七道非常经典笔试题四、浮点型在内存中的存储【更深，更强💪】1、案例引入2、浮点数存储规则①概念理清②例题分析③进一步探索指数E与尾数M的特性🔍3、开局
【数据挖掘实战】——电力窃漏电用户自动识别一、背景和挖掘目标二、分析方法与过程1、初步分析2、数据抽取3、探索分析4、数据预处理5、构建专家样本三、构建模型1、构建窃漏电用户识别模型2、模型评价3、进行窃漏电诊断拓展思考项目代码地址：https://gitee.com/lingxw123/datamining_project.git项目来源于《数据分析与挖掘实战》一、背景和挖掘目标传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等方法来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。目前，很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量
【数据挖掘实战】——电力窃漏电用户自动识别一、背景和挖掘目标二、分析方法与过程1、初步分析2、数据抽取3、探索分析4、数据预处理5、构建专家样本三、构建模型1、构建窃漏电用户识别模型2、模型评价3、进行窃漏电诊断拓展思考项目代码地址：https://gitee.com/lingxw123/datamining_project.git项目来源于《数据分析与挖掘实战》一、背景和挖掘目标传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等方法来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。目前，很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量
目录三、数据集成和转换1.数据集成 2.数据冗余性 2.1皮尔森相关系数2.2卡方检验 3.数据转换四、数据的规约和变换1.数据归约2数据离散化三、数据集成和转换1.数据集成 数据集成是将不同来源的数据整合并一致地存储起来的过程。不同来源的数据可能有不同的格式、不同的元信息和不同的表示方式等。首先需要将它们变成一致的形式。通常这个过程牵涉到数据架构的集成,处理属性值冲突,处理数据冗余性,对数据进行转化等的处理过程。其中两个主要的问题:数据冗余和数据转换。2.数据冗余性 原因：数据冗余可能由许多技术和业务上的原因导致,同一属性或对象在不同的数据库中的名称可能是不同的,某些属性可能是由其他属性导出
目录三、数据集成和转换1.数据集成 2.数据冗余性 2.1皮尔森相关系数2.2卡方检验 3.数据转换四、数据的规约和变换1.数据归约2数据离散化三、数据集成和转换1.数据集成 数据集成是将不同来源的数据整合并一致地存储起来的过程。不同来源的数据可能有不同的格式、不同的元信息和不同的表示方式等。首先需要将它们变成一致的形式。通常这个过程牵涉到数据架构的集成,处理属性值冲突,处理数据冗余性,对数据进行转化等的处理过程。其中两个主要的问题:数据冗余和数据转换。2.数据冗余性 原因：数据冗余可能由许多技术和业务上的原因导致,同一属性或对象在不同的数据库中的名称可能是不同的,某些属性可能是由其他属性导出
相关链接【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测建模及python代码详解问题一【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测建模及python代码详解问题二1题目一．问题背景近年来企业外部环境越来越不确定，复杂多变的外部环境，让企业供应链面临较多难题。需求预测作为企业供应链的第一道防线，重要程度不言而喻，然而需求预测受多种因素的影响，导致预测准确率普遍较低，因此需要更加优秀的算法来解决这个问题。需求预测是基于历史数据和未来的预判得出的有理论依据的结论，有利于公司管理层对未来的销售及运营计划、目标，资金预算做决策参考；其次，需求
相关链接【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测建模及python代码详解问题一【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测建模及python代码详解问题二1题目一．问题背景近年来企业外部环境越来越不确定，复杂多变的外部环境，让企业供应链面临较多难题。需求预测作为企业供应链的第一道防线，重要程度不言而喻，然而需求预测受多种因素的影响，导致预测准确率普遍较低，因此需要更加优秀的算法来解决这个问题。需求预测是基于历史数据和未来的预判得出的有理论依据的结论，有利于公司管理层对未来的销售及运营计划、目标，资金预算做决策参考；其次，需求
文章目录一、关联规则概述1.1关联规则引入1.2关联规则相关概念介绍1.2.1样本、事务、项集、规则1.2.2支持度、置信度1.2.3提升度1.2.4所有指标的公式二、Python实战关联规则2.1使用mlxtend工具包得出频繁项集与规则2.1.1安装mlxtend工具包2.1.2引入相关库2.1.3自定义一份数据集2.1.4得到频繁项集2.1.5计算规则2.1.6挑选有用的规则进行分析2.2数据集制作2.3电影数据集关联分析2.3.1数据集获取2.3.2引入相关库2.3.3读取数据集2.3.4标准化数据集2.3.5获取频繁项集2.3.6计算规则2.3.7结果分析三、Apriori算法3.1
文章目录一、关联规则概述1.1关联规则引入1.2关联规则相关概念介绍1.2.1样本、事务、项集、规则1.2.2支持度、置信度1.2.3提升度1.2.4所有指标的公式二、Python实战关联规则2.1使用mlxtend工具包得出频繁项集与规则2.1.1安装mlxtend工具包2.1.2引入相关库2.1.3自定义一份数据集2.1.4得到频繁项集2.1.5计算规则2.1.6挑选有用的规则进行分析2.2数据集制作2.3电影数据集关联分析2.3.1数据集获取2.3.2引入相关库2.3.3读取数据集2.3.4标准化数据集2.3.5获取频繁项集2.3.6计算规则2.3.7结果分析三、Apriori算法3.1
目录 二、数据描述1.描述数据中心趋势1.1平均值和截断均值 1.2加权平均值1.3中位数（Median）和众数(Mode)2.描述数据的分散程度2.1箱线图2.2方差和标准差2.3正态分布3.数据清洗3.1数据缺失的处理3.2数据清洗二、数据描述描述数据的方法,包括描述数据中心趋势的方法如均值、中位数，描述数据的分散程度的方法如方差、标准差,以及数据的其他描述方法如散点图和参数化方法等。1.描述数据中心趋势1.1平均值和截断均值 平均值(Mean),又称为均值或算数均值(Arithmeticmean),其计算方式如下:例如.对于下列学生成绩列表,其算数均值为73.5分,即平均分是73.5分。
