数据 挖掘的任务相关分析，集群分析，分类分析，异常。数据质量分析 1、数据质量分析 数据质量分析是，是数据预处理的前提，是数据挖掘分析结论的基础，不可信数据，。
作者:宋添龙，如需转载，请联系华章科技数据删除有两种:一种是线路记录丢失，也叫数据记录丢失；另一种是数据列的缺失值，即数据 record中部分列的值由于各种原因而空缺。不同的数据商店和环境对于缺失值有不同的表示结果。比如数据 library为Null，Python返回None，Pandas或Numpy为NaN。在极少数情况下，某些缺失值会被空字符串替换，但空字符串肯定不同于缺失值。
数据丢失的记录一般无法找回。本文重点介绍数据列类型缺失值的处理思路。通常有四种思维方式。1.丢弃这种方法简单明了，直接删除有缺失值的行记录(整行删除)或列字段(整列删除)，减少缺失数据记录对总数数据的影响。但是，丢弃意味着数据特性将被减少，这种方法不适用于以下任何一种场景。2.补码是比丢弃更常用的处理缺失值的方法。
一个是数据 availability，即决策所依据的数据是否能得到，是否有足够的时间，是否有足够的数据 dimensions等等。二是数据的质量，-3/是否有噪点，-3/是否有假，-3/有多稀疏？避免垃圾进出。第三，数据的时效性是否满足决策要求，比如实时更新、每月更新还是每季度更新？第四，数据目前决策的假设是否仍然满足要求，如模型开发时的假设是否仍然有效，模型的有效性是否满足要求？
3、地铁深基坑变形 数据的 挖掘 分析与风险识别?基坑工程的隐患发展成为工程事故的前兆，必须在数据某些特征变化的监测中有所体现。此时，如果及时采取相应措施，可以用较小的成本避免或降低工程风险。基于地铁基坑工程的大量监测数据通过挖掘的方法找到工程风险与变形数据之间的内在联系和相关规律，从而形成一个量化的评价指标来识别和评价工程的危险程度。
