補數(shù)據(jù)方法方面(如何處理缺少數(shù)據(jù)的)

1.如何處理缺少數(shù)據(jù)的

處理不完備數(shù)據(jù)集的方法主要有以下三大類： （一）刪除元組 也就是將存在遺漏信息屬性值的對象（元組，記錄）刪除，從而得到一個完備的信息表。

這種方法簡單易行，在對象有多個 屬性缺失值、被刪除的含缺失值的對象與信息表中的數(shù)據(jù)量相比非常小的情況下是非常有效的，類標號（假設是分類任務）缺少時 通常使用。然而，這種方法卻有很大的局限性。

它是以減少歷史數(shù)據(jù)來換取信息的完備，會造成資源的大量浪費，丟棄了大量隱藏 在這些對象中的信息。在信息表中本來包含的對象很少的情況下，刪除少量對象就足以嚴重影響到信息表信息的客觀性和結果的正 確性；當每個屬性空值的百分比變化很大時，它的性能非常差。

因此，當遺漏數(shù)據(jù)所占比例較大，特別當遺漏數(shù)據(jù)非隨機分布時， 這種方法可能導致數(shù)據(jù)發(fā)生偏離，從而引出錯誤的結論。 （二）數(shù)據(jù)補齊 這類方法是用一定的值去填充空值，從而使信息表完備化。

通常基于統(tǒng)計學原理，根據(jù)決策表中其余對象取值的分布情況來 對一個空值進行填充，譬如用其余屬性的平均值來進行補充等。數(shù)據(jù)挖掘中常用的有以下幾種補齊方法： （1）人工填寫（filling manually） 由于最了解數(shù)據(jù)的還是用戶自己，因此這個方法產生數(shù)據(jù)偏離最小，可能是填充效果最好的一種。

然而一般來說，該方法很費時， 當數(shù)據(jù)規(guī)模很大、空值很多的時候，該方法是不可行的。 （2）特殊值填充（Treating Missing Attribute values as Special values） 將空值作為一種特殊的屬性值來處理，它不同于其他的任何屬性值。

如所有的空值都用“unknown”填充。這樣將形成另一個有趣的 概念，可能導致嚴重的數(shù)據(jù)偏離，一般不推薦使用。

（3）平均值填充（Mean/Mode Completer） 將信息表中的屬性分為數(shù)值屬性和非數(shù)值屬性來分別進行處理。如果空值是數(shù)值型的，就根據(jù)該屬性在其他所有對象的取值 的平均值來填充該缺失的屬性值；如果空值是非數(shù)值型的，就根據(jù)統(tǒng)計學中的眾數(shù)原理，用該屬性在其他所有對象的取值次數(shù)最多 的值（即出現(xiàn)頻率最高的值）來補齊該缺失的屬性值。

另外有一種與其相似的方法叫條件平均值填充法（Conditional Mean Completer）。在該方法中，缺失屬性值的補齊同樣是靠該屬性在其他對象中的取值求平均得到，但不同的是用于求平均的值并不是 從信息表所有對象中取，而是從與該對象具有相同決策屬性值的對象中取得。

這兩種數(shù)據(jù)的補齊方法，其基本的出發(fā)點都是一樣的 ，以最大概率可能的取值來補充缺失的屬性值，只是在具體方法上有一點不同。與其他方法相比，它是用現(xiàn)存數(shù)據(jù)的多數(shù)信息來推 測缺失值。

（4）熱卡填充（Hot deck imputation，或就近補齊） 對于一個包含空值的對象，熱卡填充法在完整數(shù)據(jù)中找到一個與它最相似的對象，然后用這個相似對象的值來進行填充。不 同的問題可能會選用不同的標準來對相似進行判定。

該方法概念上很簡單，且利用了數(shù)據(jù)間的關系來進行空值估計。這個方法的缺 點在于難以定義相似標準，主觀因素較多。

（5）K最近距離鄰法（K-means clustering） 先根據(jù)歐式距離或相關分析來確定距離具有缺失數(shù)據(jù)樣本最近的K個樣本，將這K個值加權平均來估計該樣本的缺失數(shù)據(jù)。 （6）使用所有可能的值填充（Assigning All Possible values of the Attribute） 這種方法是用空缺屬性值的所有可能的屬性取值來填充，能夠得到較好的補齊效果。

但是，當數(shù)據(jù)量很大或者遺漏的屬性值 較多時，其計算的代價很大，可能的測試方案很多。另有一種方法，填補遺漏屬性值的原則是一樣的，不同的只是從決策相同的對 象中嘗試所有的屬性值的可能情況，而不是根據(jù)信息表中所有對象進行嘗試，這樣能夠在一定程度上減小原方法的代價。

（7）組合完整化方法（Combinatorial Completer） 這種方法是用空缺屬性值的所有可能的屬性取值來試，并從最終屬性的約簡結果中選擇最好的一個作為填補的屬性值。這是 以約簡為目的的數(shù)據(jù)補齊方法，能夠得到好的約簡結果；但是，當數(shù)據(jù)量很大或者遺漏的屬性值較多時，其計算的代價很大。

另一 種稱為條件組合完整化方法（Conditional Combinatorial Complete），填補遺漏屬性值的原則是一樣的，不同的只是從決策相同 的對象中嘗試所有的屬性值的可能情況，而不是根據(jù)信息表中所有對象進行嘗試。條件組合完整化方法能夠在一定程度上減小組合 完整化方法的代價。

在信息表包含不完整數(shù)據(jù)較多的情況下，可能的測試方案將巨增。 （8）回歸（Regression） 基于完整的數(shù)據(jù)集，建立回歸方程（模型）。

對于包含空值的對象，將已知屬性值代入方程來估計未知屬性值，以此估計值 來進行填充。當變量不是線性相關或預測變量高度相關時會導致有偏差的估計。

（9）期望值最大化方法（Expectation maximization,EM） EM算法是一種在不完全數(shù)據(jù)情況下計算極大似然估計或者后驗分布的迭代算法[43]。在每一迭代循環(huán)過程中交替執(zhí)行兩個步 驟：E步（Excepctaion step，期望步），在給定完全數(shù)據(jù)和前一次迭代所得到的參數(shù)估計的情況下計算完全數(shù)據(jù)對應的對數(shù)似然函 數(shù)的條件期望；M步（Maximzation step，極大化步），用極大化對數(shù)似然函數(shù)以確定參數(shù)的值，并用。

2.幾種常見的缺失數(shù)據(jù)插補方法

去百度文庫，查看完整內容>

內容來自用戶：rjasd1128hf

4

統(tǒng)計教育

2006年第12期

缺失數(shù)據(jù)的多重插補方法

文/喬麗華傅德印

摘要：插補法是對缺失數(shù)據(jù)的調整方法，多重插補彌補了單一插補的缺陷，采用一系列可能的數(shù)據(jù)集來填充每一個缺失數(shù)據(jù)值，反映了缺失數(shù)據(jù)的不確定性。本文介紹了多重插補程序的三種數(shù)據(jù)插補方法：回歸預測法、傾向得分法和蒙特卡羅的馬氏鏈方法，并且對多重插補的插補效果進行推斷，指出多重插補存在的問題。

關鍵詞：多重插補；缺失數(shù)據(jù)

一、引言

在數(shù)據(jù)處理和數(shù)據(jù)分析中經常會出現(xiàn)缺失數(shù)據(jù)（missingdata）或不完全數(shù)據(jù)（incompletedata），從抽樣調查的角度，把這些數(shù)據(jù)歸結為無回答數(shù)據(jù)集。一般把無回答分為“單位無回答”和“項目無回答”?！绊椖繜o回答”是指被調查單位雖然接受了調查，但只回答了其中的一部分而非全部的問題，或者對某些項目提供的資料是無用的。對于“項目無回答”，如果重新調查來獲得準確數(shù)據(jù)，會浪費大量的時間、人力和財力，是不現(xiàn)實的。因此對“項目無回答”的彌補處理多采用插補法（imputationmethod）。

插補法是指采取一定的方式為調查中的每一個缺失數(shù)據(jù)尋找一個合理的替補值插補到原缺失數(shù)據(jù)的位置上，對得到的“完全數(shù)據(jù)集”使用完全數(shù)據(jù)統(tǒng)計分析方法分析并進行統(tǒng)

3.收集數(shù)據(jù)的方法有哪些

收集方法

1、調查法

調查方法一般分為普查和抽樣調查兩大類。

2、觀察法

主要包括兩個方面：一是對人的行為的觀察，二是對客觀事物的觀察。觀察法應用很廣泛，常和詢問法、搜集實物結合使用，以提高所收集信息的可靠性。

3、實驗方法

實驗方法能通過實驗過程獲取其他手段難以獲得的信息或結論。

實驗方法也有多種形式，如實驗室實驗、現(xiàn)場實驗、計算機模擬實驗、計算機網絡環(huán)境下人機結合實驗等。現(xiàn)代管理科學中新興的管理實驗，現(xiàn)代經濟學中正在形成的實驗經濟學中的經濟實驗，實質上就是通過實驗獲取與管理或經濟相關的信息。

4、文獻檢索

文獻檢索就是從浩繁的文獻中檢索出所需的信息的過程。文獻檢索分為手工檢索和計算機檢索。

5、網絡信息收集

網絡信息是指通過計算機網絡發(fā)布、傳遞和存儲的各種信息。收集網絡信息的最終目標是給廣大用戶提供網絡信息資源服務，整個過程經過網絡信息搜索、整合、保存和服務四個步驟，

參考資料來源：搜狗百科-信息收集

4.數(shù)據(jù)挖掘中常用的數(shù)據(jù)清洗方法有哪些

數(shù)據(jù)清洗目的主要有：

①解決數(shù)據(jù)質量問題；

②讓數(shù)據(jù)更適合做挖掘；

數(shù)據(jù)清洗是對數(shù)據(jù)審查過程中發(fā)現(xiàn)的明顯錯誤值、缺失值、異常值、可疑數(shù)據(jù)，選用一定方法進行“清洗”，為后續(xù)的數(shù)據(jù)分析做準備。

數(shù)據(jù)清洗的方法有：

①數(shù)據(jù)數(shù)值化

對存在各種不同格式的數(shù)據(jù)形式的原始數(shù)據(jù)，對其進行標準化操作。對字符串取值，按照ANSI碼值求和得到字符串的值，如果值太大，取一個適當?shù)馁|數(shù)對其求模。

②標準化 normalization

對整體數(shù)據(jù)進行歸一化工作，利用min-max標準化方法將數(shù)據(jù)都映射到一個指定的數(shù)值區(qū)間。

③數(shù)據(jù)降維

原始數(shù)據(jù)存在很多維度，使用主成分分析法對數(shù)據(jù)的相關性分析來降低數(shù)據(jù)維度。

④數(shù)據(jù)完整性

數(shù)據(jù)完整性包括數(shù)據(jù)缺失補數(shù)據(jù)和數(shù)據(jù)去重；

補全數(shù)據(jù)的方法有：

1. 通過身份證件號碼推算性別、籍貫、出生日期、年齡（包括但不局限）等信息補全；

2. 通過前后數(shù)據(jù)補全；

3. 實在補不全的，對數(shù)據(jù)進行剔除。

數(shù)據(jù)去重的方法有：

1. 用sql或者excel“去除重復記錄”去重；

2. 按規(guī)則去重，編寫一系列的規(guī)則，對重復情況復雜的數(shù)據(jù)進行去重。

5.數(shù)據(jù)缺失想要補齊有什么方法,用spss的替換缺失值和缺失值分析完全

1、均值插補。數(shù)據(jù)的屬性分為定距型和非定距型。如果缺失值是定距型的，就以該屬性存在值的平均值來插補缺失的值；如果缺失值是非定距型的，就根據(jù)統(tǒng)計學中的眾數(shù)原理，用該屬性的眾數(shù)（即出現(xiàn)頻率最高的值）來補齊缺失的值。

2、利用同類均值插補。同均值插補的方法都屬于單值插補，不同的是，它用層次聚類模型預測缺失變量的類型，再以該類型的均值插補。假設X=(X1,X2。Xp)為信息完全的變量，Y為存在缺失值的變量。

那么首先對X或其子集行聚類，然后按缺失個案所屬類來插補不同類的均值。如果在以后統(tǒng)計分析中還需以引入的解釋變量和Y做分析，那么這種插補方法將在模型中引入自相關，給分析造成障礙。

3、極大似然估計（Max Likelihood ,ML）。在缺失類型為隨機缺失的條件下，假設模型對于完整的樣本是正確的，那么通過觀測數(shù)據(jù)的邊際分布可以對未知參數(shù)進行極大似然估計（Little and Rubin）。

這種方法也被稱為忽略缺失值的極大似然估計，對于極大似然的參數(shù)估計實際中常采用的計算方法是期望值最大化（Expectation Maximization,EM）。

4、多重插補（Multiple Imputation,MI）。多值插補的思想來源于貝葉斯估計，認為待插補的值是隨機的，它的值來自于已觀測到的值。具體實踐上通常是估計出待插補的值，然后再加上不同的噪聲，形成多組可選插補值。根據(jù)某種選擇依據(jù)，選取最合適的插補值。

擴展資料

缺失值產生的原因很多，裝備故障、無法獲取信息、與其他字段不一致、歷史原因等都可能產生缺失值。一種典型的處理方法是插值，插值之后的數(shù)據(jù)可看作服從特定概率分布。另外，也可以刪除所有含缺失值的記錄，但這個操作也從側面變動了原始數(shù)據(jù)的分布特征。

對于缺失值的處理，從總體上來說分為刪除存在缺失值的個案和缺失值插補。對于主觀數(shù)據(jù)，人將影響數(shù)據(jù)的真實性，存在缺失值的樣本的其他屬性的真實值不能保證，那么依賴于這些屬性值的插補也是不可靠的，所以對于主觀數(shù)據(jù)一般不推薦插補的方法。插補主要是針對客觀數(shù)據(jù)，它的可靠性有保證。

參考資料來源：百度百科-不確定性數(shù)據(jù)

參考資料來源：百度百科-缺失值

6.數(shù)據(jù)分析的方法有哪些

分析大數(shù)據(jù)，R語言和Linux系統(tǒng)比較有幫助，運用到的方法原理可以翻翻大學的統(tǒng)計學，不需要完全理解，重在應用。

分析簡單數(shù)據(jù)，Excel就可以了。Excel本意就是智能，功能很強，容易上手。我沒有見過有人說自己精通Excel的，最多是熟悉Excel。Excel的函數(shù)可以幫助你處理大部分數(shù)據(jù)。

數(shù)據(jù)分析是指用適當?shù)慕y(tǒng)計分析方法對收集來的大量數(shù)據(jù)進行分析，提取有用信息和形成結論而對數(shù)據(jù)加以詳細研究和概括總結的過程。這一過程也是質量管理體系的支持過程。在實用中，數(shù)據(jù)分析可幫助人們作出判斷，以便采取適當行動。

數(shù)據(jù)分析的數(shù)學基礎在20世紀早期就已確立，但直到計算機的出現(xiàn)才使得實際操作成為可能，并使得數(shù)據(jù)分析得以推廣。數(shù)據(jù)分析是數(shù)學與計算機科學相結合的產物。

“啤酒與尿布”的故事產生于20世紀90年代的美國沃爾瑪超市中，沃爾瑪?shù)某泄芾砣藛T分析銷售數(shù)據(jù)時發(fā)現(xiàn)了一個令人難于理解的現(xiàn)象：在某些特定的情況下，“啤酒”與“尿布”兩件看上去毫無關系的商品會經常出現(xiàn)在同一個購物籃中，這種獨特的銷售現(xiàn)象引起了管理人員的注意，經過后續(xù)調查發(fā)現(xiàn)，這種現(xiàn)象出現(xiàn)在年輕的父親身上。

在美國有嬰兒的家庭中，一般是母親在家中照看嬰兒，年輕的父親前去超市購買尿布。父親在購買尿布的同時，往往會順便為自己購買啤酒，這樣就會出現(xiàn)啤酒與尿布這兩件看上去不相干的商品經常會出現(xiàn)在同一個購物籃的現(xiàn)象。如果這個年輕的父親在賣場只能買到兩件商品之一，則他很有可能會放棄購物而到另一家商店， 直到可以一次同時買到啤酒與尿布為止。沃爾瑪發(fā)現(xiàn)了這一獨特的現(xiàn)象，開始在賣場嘗試將啤酒與尿布擺放在相同的區(qū)域，讓年輕的父親可以同時找到這兩件商品，并很快地完成購物；而沃爾瑪超市也可以讓這些客戶一次購買兩件商品、而不是一件，從而獲得了很好的商品銷售收入，這就是“啤酒與尿布” 故事的由來。

當然“啤酒與尿布”的故事必須具有技術方面的支持。1993年美國學者Agrawal提出通過分析購物籃中的商品集合，從而找出商品之間關聯(lián)關系的關聯(lián)算法，并根據(jù)商品之間的關系，找出客戶的購買行為。艾格拉沃從數(shù)學及計算機算法角度提 出了商品關聯(lián)關系的計算方法——Aprior算法。沃爾瑪從上個世紀 90 年代嘗試將 Aprior 算 法引入到 POS機數(shù)據(jù)分析中，并獲得了成功，于是產生了“啤酒與尿布”的故事。

7.數(shù)據(jù)挖掘中的數(shù)據(jù)預處理技術有哪些,它們分別適用于哪些場合

一、數(shù)據(jù)挖掘工具分類數(shù)據(jù)挖掘工具根據(jù)其適用的范圍分為兩類：專用挖掘工具和通用挖掘工具。

專用數(shù)據(jù)挖掘工具是針對某個特定領域的問題提供解決方案，在涉及算法的時候充分考慮了數(shù)據(jù)、需求的特殊性，并作了優(yōu)化。對任何領域，都可以開發(fā)特定的數(shù)據(jù)挖掘工具。

例如，IBM公司的AdvancedScout系統(tǒng)針對NBA的數(shù)據(jù)，幫助教練優(yōu)化戰(zhàn)術組合。特定領域的數(shù)據(jù)挖掘工具針對性比較強，只能用于一種應用；也正因為針對性強，往往采用特殊的算法，可以處理特殊的數(shù)據(jù)，實現(xiàn)特殊的目的，發(fā)現(xiàn)的知識可靠度也比較高。

通用數(shù)據(jù)挖掘工具不區(qū)分具體數(shù)據(jù)的含義，采用通用的挖掘算法，處理常見的數(shù)據(jù)類型。通用的數(shù)據(jù)挖掘工具不區(qū)分具體數(shù)據(jù)的含義，采用通用的挖掘算法，處理常見的數(shù)據(jù)類型。

例如，IBM公司Almaden研究中心開發(fā)的QUEST系統(tǒng)，SGI公司開發(fā)的MineSet系統(tǒng)，加拿大SimonFraser大學開發(fā)的DBMiner系統(tǒng)。通用的數(shù)據(jù)挖掘工具可以做多種模式的挖掘，挖掘什么、用什么來挖掘都由用戶根據(jù)自己的應用來選擇。

二、數(shù)據(jù)挖掘工具選擇需要考慮的問題數(shù)據(jù)挖掘是一個過程，只有將數(shù)據(jù)挖掘工具提供的技術和實施經驗與企業(yè)的業(yè)務邏輯和需求緊密結合，并在實施的過程中不斷的磨合，才能取得成功，因此我們在選擇數(shù)據(jù)挖掘工具的時候，要全面考慮多方面的因素，主要包括以下幾點：（1）可產生的模式種類的數(shù)量：分類，聚類，關聯(lián)等（2）解決復雜問題的能力（3）操作性能（4）數(shù)據(jù)存取能力（5）和其他產品的接口三、數(shù)據(jù)挖掘工具介紹：1.QUESTQUEST是IBM公司Almaden研究中心開發(fā)的一個多任務數(shù)據(jù)挖掘系統(tǒng)，目的是為新一代決策支持系統(tǒng)的應用開發(fā)提供高效的數(shù)據(jù)開采基本構件。系統(tǒng)具有如下特點：提供了專門在大型數(shù)據(jù)庫上進行各種開采的功能：關聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、時間序列聚類、決策樹分類、遞增式主動開采等。

各種開采算法具有近似線性計算復雜度，可適用于任意大小的數(shù)據(jù)庫。算法具有找全性，即能將所有滿足指定類型的模式全部尋找出來。

為各種發(fā)現(xiàn)功能設計了相應的并行算法。2.MineSetMineSet是由SGI公司和美國Standford大學聯(lián)合開發(fā)的多任務數(shù)據(jù)挖掘系統(tǒng)。

MineSet集成多種數(shù)據(jù)挖掘算法和可視化工具，幫助用戶直觀地、實時地發(fā)掘、理解大量數(shù)據(jù)背后的知識。MineSet有如下特點：MineSet以先進的可視化顯示方法聞名于世。

支持多種關系數(shù)據(jù)庫?？梢灾苯訌腛racle、Informix、Sybase的表讀取數(shù)據(jù)，也可以通過SQL命令執(zhí)行查詢。

多種數(shù)據(jù)轉換功能。在進行挖掘前，MineSet可以去除不必要的數(shù)據(jù)項，統(tǒng)計、集合、分組數(shù)據(jù)，轉換數(shù)據(jù)類型，構造表達式由已有數(shù)據(jù)項生成新的數(shù)據(jù)項，對數(shù)據(jù)采樣等。

操作簡單、支持國際字符、可以直接發(fā)布到Web。3.DBMinerDBMiner是加拿大SimonFraser大學開發(fā)的一個多任務數(shù)據(jù)挖掘系統(tǒng)，它的前身是DBLearn。

該系統(tǒng)設計的目的是把關系數(shù)據(jù)庫和數(shù)據(jù)開采集成在一起，以面向屬性的多級概念為基礎發(fā)現(xiàn)各種知識。DBMiner系統(tǒng)具有如下特色：能完成多種知識的發(fā)現(xiàn)：泛化規(guī)則、特性規(guī)則、關聯(lián)規(guī)則、分類規(guī)則、演化知識、偏離知識等。

綜合了多種數(shù)據(jù)開采技術：面向屬性的歸納、統(tǒng)計分析、逐級深化發(fā)現(xiàn)多級規(guī)則、元規(guī)則引導發(fā)現(xiàn)等方法。提出了一種交互式的類SQL語言——數(shù)據(jù)開采查詢語言DMQL。

能與關系數(shù)據(jù)庫平滑集成。實現(xiàn)了基于客戶/服務器體系結構的Unix和PC(Windows/NT)版本的系統(tǒng)。

4.IntelligentMiner由美國IBM公司開發(fā)的數(shù)據(jù)挖掘軟件IntelligentMiner是一種分別面向數(shù)據(jù)庫和文本信息進行數(shù)據(jù)挖掘的軟件系列，它包括和。可以挖掘包含在數(shù)據(jù)庫、數(shù)據(jù)倉庫和數(shù)據(jù)中心中的隱含信息，幫助用戶利用傳統(tǒng)數(shù)據(jù)庫或普通文件中的結構化數(shù)據(jù)進行數(shù)據(jù)挖掘。

它已經成功應用于市場分析、詐騙行為監(jiān)測及客戶聯(lián)系管理等；允許企業(yè)從文本信息進行數(shù)據(jù)挖掘，文本數(shù)據(jù)源可以是文本文件、Web頁面、電子郵件、LotusNotes數(shù)據(jù)庫等等。5.SASEnterpriseMiner這是一種在我國的企業(yè)中得到采用的數(shù)據(jù)挖掘工具，比較典型的包括上海寶鋼配礦系統(tǒng)應用和鐵路部門在春運客運研究中的應用。

SASEnterpriseMiner是一種通用的數(shù)據(jù)挖掘工具，按照"抽樣--探索--轉換--建模--評估"的方法進行數(shù)據(jù)挖掘。可以與SAS數(shù)據(jù)倉庫和OLAP集成，實現(xiàn)從提出數(shù)據(jù)、抓住數(shù)據(jù)到得到解答的"端到端"知識發(fā)現(xiàn)。

6.是一個開放式數(shù)據(jù)挖掘工具，曾兩次獲得英國政府SMART創(chuàng)新獎，它不但支持整個數(shù)據(jù)挖掘流程，從數(shù)據(jù)獲取、轉化、建模、評估到最終部署的全部過程，還支持數(shù)據(jù)挖掘的行業(yè)標準--CRISP-DM。Clementine的可視化數(shù)據(jù)挖掘使得"思路"分析成為可能，即將集中精力在要解決的問題本身，而不是局限于完成一些技術性工作（比如編寫代碼）。

提供了多種圖形化技術，有助理解數(shù)據(jù)間的關鍵性聯(lián)系，指導用戶以最便捷的途徑找到問題的最終解決法。7.數(shù)據(jù)庫廠商集成的挖掘工具SQLServer2000包含由Microsoft研究院開發(fā)的兩種數(shù)據(jù)挖掘算法：。