在確定關鍵性業務問題後，根據對映的資料探勘問題，來選擇原始業務資料集合。通常要理解業務資料的表結構和說明。
※需要注意的是在選擇資料之前，要確定目標的實驗單元，即資料的主題，或者粒度等。比如客戶，賬目就是不同的主題，但是都是從兩張表中抽取的。
※可以用視覺化，如直方圖，分布圖，統計圖（箱式圖）來檢視資料集的連續和離散字段，檢查可能出現的異常值，
null
值，空值等。
※字段離散值超過
25個值時，很難從中發現有用的模式。※
空值超過總體
98%的字段可以考慮刪除。
※抽取源字段時，考慮欄位間的關聯性，重複列等資訊
※資料量過大可以考慮抽樣，但要注意產生抽樣偏差
※對抽取轉換清洗工作進行歸檔，保留元資料。
※處理異常值，
null
值，空值的方法。
※還原資料來源中資料編碼的原意。
※決策樹和關聯規則比其他演算法要適合空值的資料情況。
這一步驟相當於
extraction
。
資料庫關聯是選擇外來鍵還是選擇在業務層處理？
本科學習資料庫的時候，書上明確的寫了對於多對多關係必須要建立外來鍵，可是最近在跟師兄做乙個b s架構的專案，發現所設計的資料庫表雖然是多對多關係但並沒有要求外來鍵，查了一下之後才發現目前的大型系統中 尤其是網際網路的大型專案 不會有外來鍵這種東西，在這裡總結一下以供今後學習。設計資料庫時是否採用外來...
如何選擇高精準IP位址定位資料提公升業務水平
一 為什麼準確度與一致性相加超過8星的資料是優質資料 為了方便大家使用優質ip位址定位資料，減少使用成本。在 如何驗證ip位址定位的準確率？這篇文章中，埃文科技提出了高質量ip定位資料的判斷標準 使用ip問問時獲取的定位資料準確度及一致性兩項指標相加大於等於8星即為優質ip位址定位資料，可以直接應用...
複習資料結構 排序（三） 選擇排序
選擇排序的核心是 每趟選擇最小的元素和首部交換。時間複雜度 o n 2 選擇排序是一種不穩定的排序，為什麼呢？因為不好處理相等兩個數的前後位置，舉個例子，序列5 8 5 2 9，我們知道第一遍選擇第1個元素5會和2交換，那麼原序列中2個5的相對前後順序就被破壞了，所以選擇排序不是乙個穩定的排序演算法...