CN109670015A - 数据分析方法、计算机可读存储介质及终端设备 - Google Patents
数据分析方法、计算机可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN109670015A CN109670015A CN201811517084.0A CN201811517084A CN109670015A CN 109670015 A CN109670015 A CN 109670015A CN 201811517084 A CN201811517084 A CN 201811517084A CN 109670015 A CN109670015 A CN 109670015A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- data set
- preset
- cleansing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明提供了一种数据分析方法、计算机可读存储介质及终端设备,包括:通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。本发明通过对各种数据结构的数据进行采集,并提供多种数据分析模型,解决了现有技术中数据分析不全面的问题。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种数据分析方法、计算机可读存储介质及终端设备。
背景技术
随着互联网技术的飞速发展及数据收集成本的不断降低,大数据时代已经来临。大规模数据分析是指对规模巨大的数据进行分析,从中获得有利于对个体或者群组进行辨识的对象,大规模数据分析技术的社会及市场需求也变得十分紧迫。现有技术通常只对结构化数据进行分析,或只提供某一种类型的数据分析结果,因此,现有技术缺少一种全面的数据分析方法。
发明内容
有鉴于此,本发明实施例提供了一种数据分析方法、计算机可读存储介质及终端设备,以解决现有技术中数据分析不全面的问题。
本发明实施例的第一方面提供了一种数据分析方法,包括:
通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;
针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;
对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;
调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。
本发明实施例的第二方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如下步骤:
通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;
针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;
对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;
调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如下步骤:
通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;
针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;
对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;
调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。
本发明提供了一种数据分析方法、计算机可读存储介质及终端设备,包括:通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。本发明通过对各种数据结构的数据进行采集,并提供多种数据分析模型,解决了现有技术中数据分析不全面的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种数据分析方法的流程示意图;
图2为本发明实施例提供的一种数据分析装置的结构框图;
图3为本发明实施例提供的一种数据分析终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
本发明实施例提供了一种数据分析方法。结合图1,该方法包括:
S101,通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据。
具体的,在本发明实施例中,从多个数据源中对数据进行抽取,不仅包括关系数据库,还包括不同网络、不同操作系统、不同数据库以及不同的应用。所述抽取到的数据不仅包含结构化数据,还包含半结构化数据和非结构化数据。对于半结构化数据和非结构化数据,提供如下数据抽取方法:
若所述数据为半结构化的数据,则采用混合表示法对所述数据及所述数据所对应的数据模式进行建模,通过基于内容以及结构框架的方法对所述数据进行抽取。具体的,所述建模包括一套预设的概念层次和知识框架。
若所述数据为非结构化的数据,则采用模糊匹配的方法识别所述数据所在表格中的直线行上的字段,对所述数据进行抽取。
进一步的,对于采用手写汉字文件的这类非结构化数据,本发明实施例采用基于引力的算法,识别并抽取手写汉字所在表格中的汉字。
S102,针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据。
数据转换就是处理抽取上来的数据中存在的不一致的过程,对数据的转化(数据的合并、汇总、过滤、转换等)、数据的重新格式化和计算、关键数据的重新构建和数据汇总、数据定位的过程。
数据转换包括两类:一类是数据名称及格式的统一,即数据粒度转换、商务规则计算以及统一的命名、数据格式、计量单位等;另一类,数据仓库中存在数据库中可能不存在的数据,因此需要进行字段的组合、分割或计算。
具体的,在本发明实施例中,数据转换包括:
获取所述预设格式所对应的多个属性;针对所述多个属性中的任一属性,在所述数据中获取所述属性所对应的属性值;将所述属性所对应的属性值添加至所述属性在所述数据格式中所对应的位置,将所述数据转换为所述预设格式的数据。
S103,对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据。
具体的,可通过基于规则算法对数据集中的脏数据进行识别和清洗,也可以通过机器学习的方法对数据集中的脏数据进行识别和清洗,本发明实施对此不做限定。
S104,调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。
在本发明实施例中,一种可选的实施方式,所述预设数据分析模型为分类与回归分析模型,所述对完成数据清洗的数据集中的数据进行分析包括:针对所述数据集中的任一条数据,获取所述数据中多个预设属性所对应的属性值;调用预设分类函数,根据所述数据集中每条数据的所述多个预设属性所对应的属性值,将所述数据集中的数据分为至少两类。
具体的,通过构造一个分类函数,即分类模型,把具有某些特征的数据项映射到某个给定的类别上。通常分类模型是以分类规则,决策树或数学表达式的形式给出。回归模式的函数定义与分类模式相似,主要差别在于分类模式采用离散预测值,例如类标号,而回归模式采用连续的预测值。
另一种可选的实施方式,所述预设数据分析模型为聚类分析模型,所述对完成数据清洗的数据集中的数据进行分析包括:通过聚类分析,将所述数据集中的数据分为至少两类。
具体的,聚类分析能够将物理或抽象对象的集合分组成为由类似对象组成的多个类。选择要分析的数据,然后选择聚类数查看分析结果,最后可查看评估值。
另一种可选的实施方式,所述预设数据分析模型为相关性分析模型,所述对完成数据清洗的数据集中的数据进行分析包括:获取所述数据集中的数据所对应的多个变量元素;针对所述多个变量元素之间的任意两个变量元素,根据相关度计算获取所述两个变量元素之间的相关系数。
具体的,通过相关性分析,可以对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。衡量变量元素之间的相关性最主要的判断依据为元素间的相关系数。
另一种可选的实施方式,所述预设数据分析模型为时序分析模型,所述对完成数据清洗的数据集中的数据进行分析包括:将所述数据集中的数据按照时间按照先后顺序进行排序,得到排序结果;根据所述排序结果和预设概论统计模型,获取位于当前时间之后的预设事项所对应的值。
具体的,通过时序分析,能够将时间顺序排列的一组数据,利用已知的时间序列数据而形成不同数学模型,并可以用来进行预测。利用时序分析,可根据事物的过去和现在估计未来,从而减少对未来事物认识的不确定性,以指导我们的决策行动,减少决策的盲目性。
进一步的,在本发明实施例中,还可以通过预测分析和影响因素分析方法对数据集中的数据进行分析。
本发明提供了一种数据分析方法、计算机可读存储介质及终端设备,包括:通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。本发明通过对各种数据结构的数据进行采集,并提供多种数据分析模型,解决了现有技术中数据分析不全面的问题。
图2为本发明实施例提供的一种数据分析装置示意图,结合图2,该装置包括:数据采集单元21,数据转换单元22,数据清洗单元23和数据分析单元24;
所述数据采集单元21,用于通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;
所述数据转换单元22,用于针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;
所述数据清洗单元23,用于对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;
所述数据分析单元24,用于调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。
可选的,所述预设数据分析模型为分类与回归分析模型,所述数据分析单元24用于:
针对所述数据集中的任一条数据,获取所述数据中多个预设属性所对应的属性值;
调用预设分类函数,根据所述数据集中每条数据的所述多个预设属性所对应的属性值,将所述数据集中的数据分为至少两类。
可选的,所述预设数据分析模型为聚类分析模型,所述数据分析单元24用于:
通过聚类分析,将所述数据集中的数据分为至少两类。
可选的,所述预设数据分析模型为相关性分析模型,所述数据分析单元24用于:
获取所述数据集中的数据所对应的多个变量元素;
针对所述多个变量元素之间的任意两个变量元素,根据相关度计算获取所述两个变量元素之间的相关系数。
可选的,所述预设数据分析模型为时序分析模型,所述数据分析单元24用于:
将所述数据集中的数据按照时间按照先后顺序进行排序,得到排序结果;
根据所述排序结果和预设概论统计模型,获取位于当前时间之后的预设事项所对应的值。
本发明提供了一种数据分析装置,该装置通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。本发明所提供的数据分析装置通过对各种数据结构的数据进行采集,并提供多种数据分析模型,解决了现有技术中数据分析不全面的问题。
图3为本发明实施例提供的一种终端设备的示意图。如图3所示,该实施例的终端设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32,例如数据分析程序。所述处理器30执行所述计算机程序32时实现上述各个数据分析方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块21至24的功能。
示例性的,所述计算机程序32可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端设备3的示例,并不构成对终端设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元,例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备,例如所述终端设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述数据分析方法的步骤。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据分析方法,其特征在于,该方法包括:
通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;
针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;
对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;
调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。
2.根据权利要求1所述的数据分析方法,其特征在于,所述预设数据分析模型为分类与回归分析模型,所述对完成数据清洗的数据集中的数据进行分析包括:
针对所述数据集中的任一条数据,获取所述数据中多个预设属性所对应的属性值;
调用预设分类函数,根据所述数据集中每条数据的所述多个预设属性所对应的属性值,将所述数据集中的数据分为至少两类。
3.根据权利要求1所述的数据分析方法,其特征在于,所述预设数据分析模型为聚类分析模型,所述对完成数据清洗的数据集中的数据进行分析包括:
通过聚类分析,将所述数据集中的数据分为至少两类。
4.根据权利要求1所述的数据分析方法,其特征在于,所述预设数据分析模型为相关性分析模型,所述对完成数据清洗的数据集中的数据进行分析包括:
获取所述数据集中的数据所对应的多个变量元素;
针对所述多个变量元素之间的任意两个变量元素,根据相关度计算获取所述两个变量元素之间的相关系数。
5.根据权利要求1所述的数据分析方法,其特征在于,所述预设数据分析模型为时序分析模型,所述对完成数据清洗的数据集中的数据进行分析包括:
将所述数据集中的数据按照时间按照先后顺序进行排序,得到排序结果;
根据所述排序结果和预设概论统计模型,获取位于当前时间之后的预设事项所对应的值。
6.一种数据分析装置,其特征在于,该装置包括:数据采集单元,数据转换单元,数据清洗单元和数据分析单元;
所述数据采集单元,用于通过数据采集取获取数据集,所述数据集包含待分析数据,所述待分析数据包含结构化数据、半结构化数据和非结构化数据;
所述数据转换单元,用于针对所述数据集中的任一条数据,将所述数据进行数据转换,得到预设格式的数据;
所述数据清洗单元,用于对所述数据集中的数据进行数据清洗,去除所述数据集中的冗余数据和错误数据;
所述数据分析单元,用于调用多个预设数据分析模型中的至少一个数据分析模型,对完成数据清洗的数据集中的数据进行分析。
7.根据权利要求6所述的数据分析装置,其特征在于,所述预设数据分析模型为分类与回归分析模型,所述数据分析单元用于:
针对所述数据集中的任一条数据,获取所述数据中多个预设属性所对应的属性值;
调用预设分类函数,根据所述数据集中每条数据的所述多个预设属性所对应的属性值,将所述数据集中的数据分为至少两类。
8.根据权利要求6所述的数据分析装置,其特征在于,所述预设数据分析模型为聚类分析模型,所述数据分析单元用于:
通过聚类分析,将所述数据集中的数据分为至少两类。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
10.一种终端设备,其特征在于,所述终端设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517084.0A CN109670015A (zh) | 2018-12-12 | 2018-12-12 | 数据分析方法、计算机可读存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517084.0A CN109670015A (zh) | 2018-12-12 | 2018-12-12 | 数据分析方法、计算机可读存储介质及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670015A true CN109670015A (zh) | 2019-04-23 |
Family
ID=66143854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811517084.0A Pending CN109670015A (zh) | 2018-12-12 | 2018-12-12 | 数据分析方法、计算机可读存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670015A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502678A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 大电网调控多维数据融合方法、终端设备及存储介质 |
CN110704410A (zh) * | 2019-09-27 | 2020-01-17 | 中冶赛迪重庆信息技术有限公司 | 一种数据清洗方法、系统及设备 |
CN111680953A (zh) * | 2020-06-05 | 2020-09-18 | 深圳市华云中盛科技股份有限公司 | 食品药品流向分析方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107193967A (zh) * | 2017-05-25 | 2017-09-22 | 南开大学 | 一种多源异构行业领域大数据处理全链路解决方案 |
CN107239499A (zh) * | 2017-05-03 | 2017-10-10 | 成都国腾实业集团有限公司 | 基于多维异构数据源集成与整合模型的分析方法及系统 |
CN107273524A (zh) * | 2017-06-23 | 2017-10-20 | 国网上海市电力公司 | 一种智能配电大数据应用系统 |
CN107967359A (zh) * | 2017-12-21 | 2018-04-27 | 百度在线网络技术(北京)有限公司 | 数据可视分析方法、系统、终端和计算机可读存储介质 |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
CN108171617A (zh) * | 2017-12-08 | 2018-06-15 | 全球能源互联网研究院有限公司 | 一种电网大数据分析方法及装置 |
CN108985808A (zh) * | 2017-06-01 | 2018-12-11 | 北京京东尚科信息技术有限公司 | 一种进行商品选择的方法和装置 |
-
2018
- 2018-12-12 CN CN201811517084.0A patent/CN109670015A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239499A (zh) * | 2017-05-03 | 2017-10-10 | 成都国腾实业集团有限公司 | 基于多维异构数据源集成与整合模型的分析方法及系统 |
CN107193967A (zh) * | 2017-05-25 | 2017-09-22 | 南开大学 | 一种多源异构行业领域大数据处理全链路解决方案 |
CN108985808A (zh) * | 2017-06-01 | 2018-12-11 | 北京京东尚科信息技术有限公司 | 一种进行商品选择的方法和装置 |
CN107273524A (zh) * | 2017-06-23 | 2017-10-20 | 国网上海市电力公司 | 一种智能配电大数据应用系统 |
CN108171617A (zh) * | 2017-12-08 | 2018-06-15 | 全球能源互联网研究院有限公司 | 一种电网大数据分析方法及装置 |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
CN107967359A (zh) * | 2017-12-21 | 2018-04-27 | 百度在线网络技术(北京)有限公司 | 数据可视分析方法、系统、终端和计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502678A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 大电网调控多维数据融合方法、终端设备及存储介质 |
CN110704410A (zh) * | 2019-09-27 | 2020-01-17 | 中冶赛迪重庆信息技术有限公司 | 一种数据清洗方法、系统及设备 |
CN111680953A (zh) * | 2020-06-05 | 2020-09-18 | 深圳市华云中盛科技股份有限公司 | 食品药品流向分析方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Briand et al. | Developing interpretable models with optimized set reduction for identifying high-risk software components | |
CN108197132B (zh) | 一种基于图数据库的电力资产画像构建方法及装置 | |
TWI766618B (zh) | 關鍵點檢測方法、電子設備及電腦可讀儲存介質 | |
CN110968701A (zh) | 用于图神经网络的关系图谱建立方法以及装置、设备 | |
CN108021651B (zh) | 一种网络舆情风险评估方法及装置 | |
CN102123172B (zh) | 一种基于神经网络聚类优化的Web服务发现的实现方法 | |
CN109670015A (zh) | 数据分析方法、计算机可读存储介质及终端设备 | |
Dhiman et al. | An approximate model for event detection from twitter data | |
CN109753498A (zh) | 基于机器学习的数据清洗方法及终端设备 | |
CN109684393A (zh) | 数据采集方法、计算机可读存储介质及终端设备 | |
CN111190968A (zh) | 基于知识图谱的数据预处理和内容推荐方法 | |
CN111310052A (zh) | 用户画像构建方法、装置及计算机可读存储介质 | |
Ali et al. | Big data classification efficiency based on linear discriminant analysis | |
WO2023159756A1 (zh) | 价格数据的处理方法和装置、电子设备、存储介质 | |
Daniella et al. | Agile Software Development Effort Estimation based on Product Backlog Items | |
Lasso et al. | Towards an alert system for coffee diseases and pests in a smart farming approach based on semi-supervised learning and graph similarity | |
CN111178701B (zh) | 一种基于特征衍生技术的风险控制方法方法、装置和电子设备 | |
US11782923B2 (en) | Optimizing breakeven points for enhancing system performance | |
CN109739840A (zh) | 数据空值处理方法、装置及终端设备 | |
CN116011564A (zh) | 一种面向电力设备的实体关系补全方法、系统及应用 | |
CN114154829A (zh) | 企业的产业链节点确定方法、装置、终端及存储介质 | |
CN109086373B (zh) | 一种构建公平的链接预测评估系统的方法 | |
CN113344604A (zh) | 一种基于用户行为数据及流计算的用户细分方法 | |
CN109766332A (zh) | 数据空值处理方法、装置及终端设备 | |
Jung | Ontology-based decision support system for semiconductors EDS testing by wafer defect classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |