数据离散算法

A. 如何将离散数据分类

一点点个人想法，随便参考一下吧

一般两种算法吧：
算法一：
1、输入待分类数的数组，将每一个数看作一个子向量
2、若现有的子向量数量 > 5（指定的子向量数量），则继续，否则结束
3、将距离（或差值）最小的两个子向量合并为一个子向量，回到2

算法二：
1、将所有数排列后看作一个子向量
2、若现有子向量数 < 5 (指定子向量数)，则继续，否则结束，或者所有数 数量<5 时结束
3、遍历现有各个子向量，在距离最大的两个点处分割，将其所在的子向量分成两个子向量，回到2

B. 数据的算法都有哪些……

A*搜寻算法
俗称A星算法。这是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法。常用于游戏中的 NPC的移动计算，或线上游戏的 BOT的移动计算上。该算法像 Dijkstra算法一样，可以找到一条最短路径；也像BFS一样，进行启发式的搜索。

Beam Search
束搜索(beam search)方法是解决优化问题的一种启发式方法，它是在分枝定界方法基础上发展起来的，它使用启发式方法估计k个最好的路径，仅从这k个路径出发向下搜索，即每一层只有满意的结点会被保留，其它的结点则被永久抛弃，从而比分枝定界法能大大节省运行时间。束搜索于20 世纪70年代中期首先被应用于 人工智能领域,1976 年Lowerre在其称为 HARPY的语音识别系统中第一次使用了束搜索方法。他的目标是并行地搜索几个潜在的最优决策路径以减少回溯，并快速地获得一个解。

二分取中查找算法
一种在有序数组中查找某一特定元素的搜索算法。搜素过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜素过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。这种搜索算法每一次比较都使搜索范围缩小一半。

Branch and bound
分支定界算法是一种在问题的解空间树上搜索问题的解的方法。但与回溯算法不同，分支定界算法采用广度优先或最小耗费优先的方法搜索解空间树，并且，在分支定界算法中，每一个活结点只有一次机会成为扩展结点。

数据压缩
数据压缩是通过减少计算机中所存储数据或者通信传播中数据的冗余度，达到增大数据密度，最终使数据的存储空间减少的技术。数据压缩在文件存储和分布式系统领域有着十分广泛的应用。数据压缩也代表着尺寸媒介容量的增大和网络带宽的扩展。

Diffie–Hellman密钥协商
Diffie–Hellman key exchange，简称“D–H”，是一种安全协议。它可以让双方在完全没有对方任何预先信息的条件下通过不安全信道建立起一个密钥。这个密钥可以在后续的通讯中作为对称密钥来加密通讯内容。

Dijkstra’s 算法
迪科斯彻算法（Dijkstra）是由荷兰计算机科学家艾兹格·迪科斯彻发明的。算法解决的是有向图中单个源点到其他顶点的最短路径问题。举例来说，如果图中的顶点表示城市，而边上的权重表示着城市间开车行经的距离，迪科斯彻算法可以用来找到两个城市之间的最短路径。

动态规划
动态规划是一种在 数学和计算机科学中使用的，用于求解包含重叠子问题的最优化问题的方法。其基本思想是，将原问题分解为相似的子问题，在求解的过程中通过子问题的解求出原问题的解。 动态规划的思想是多种算法的基础，被广泛应用于计算机科学和工程领域。比较着名的应用实例有：求解最短路径问题，背包问题，项目管理，网络流优化等。这里也有一篇文章说得比较详细。

欧几里得算法
在 数学中，辗转相除法，又称 欧几里得算法，是求 最大公约数的算法。辗转相除法首次出现于 欧几里得的《几何原本》（第VII卷，命题i和ii）中，而在中国则可以追溯至 东汉出现的《九章算术》。

快速傅里叶变换(FFT)
快速傅里叶变换（Fast Fourier Transform，FFT），是离散傅里叶变换的快速算法，也可用于计算离散傅里叶变换的逆变换。快速傅里叶变换有广泛的应用，如数字信号处理、计算大整数乘法、求解偏微分方程等等。

哈希函数
HashFunction是一种从任何一种数据中创建小的数字“指纹”的方法。该 函数将数据打乱混合，重新创建一个叫做散列值的指纹。散列值通常用来代表一个短的随机字母和数字组成的字符串。好的散列 函数在输入域中很少出现散列冲突。在散列表和数据处理中，不抑制冲突来区别数据，会使得数据库记录更难找到。

堆排序
Heapsort是指利用堆积树（堆）这种 数据结构所设计的一种排序算法。堆积树是一个近似完全二叉树的结构，并同时满足堆积属性：即子结点的键值或索引总是小于（或者大于）它的父结点。

归并排序
Merge sort是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。

RANSAC 算法
RANSAC 是”RANdom SAmpleConsensus”的缩写。该算法是用于从一组观测数据中估计 数学模型参数的迭代方法，由Fischler and Bolles在1981提出，它是一种非确定性算法，因为它只能以一定的概率得到合理的结果，随着迭代次数的增加，这种概率是增加的。该算法的基本假设是观测数据集中存在”inliers”（那些对模型参数估计起到支持作用的点）和”outliers”（不符合模型的点），并且这组观测数据受到噪声影响。RANSAC 假设给定一组”inliers”数据就能够得到最优的符合这组点的模型。

RSA加密算法
这是一个公钥加密算法，也是世界上第一个适合用来做签名的算法。今天的RSA已经 专利失效，其被广泛地用于 电子商务加密，大家都相信，只要密钥足够长，这个算法就会是安全的。

并查集Union-find
并查集是一种树型的 数据结构，用于处理一些不相交集合（Disjoint Sets）的合并及查询问题。常常在使用中以森林来表示。

Viterbi algorithm
寻找最可能的隐藏状态序列
等等这些，算法很多。

C. 离散傅立叶变换（DFT）和快速算法（FFT）的区别是什么

fft就是dft的快速算法， 结果是一样的。

应该不会有这个差别。 搞不懂就贴图看看

这个差别在于， 补0再fft这里0是不受你前面减mean的影响的， 所以你前面减东西相当于是减一个矩形， 所以fft的结果相当于减一个Sa，所以就会对形状有一些影响。 其实如果不是你选了一个过于短的列， 也不会有这么明显影响的

D. 有哪位大神会计算足球的离散值求详细讲解和算法公式

AVEDEV函数主要用来衡量数据的离散程度.
如果样本数据在A1:A100,计算离散程序输入以下公式
=AVEDEV(A1:A100)
离散度,应该就是可以用标准差来显示的。
每个数和平均数的差的平方相加再除以个数,最后开方.

E. 什么叫做离散化

Microsoft SQL Server 2005 Analysis Services (SSAS) 中创建数据挖掘模型时所用的有些算法需要特定的内容类型才能正确运行。例如，有些算法（如 Microsoft Naive Bayes 算法）不能使用连续列作为输入，即不能预测连续值。另外，有些列可能会因包含的值太多而导致算法不易标识数据中据以创建模型的相关模式。

在此类情况下，可以将列中的数据离散化，以便可以使用算法来生成挖掘模型。离散化是将一组连续的数据的值放入存储桶的过程，以便得到可能状态的离散数目。存储桶本身是作为有序且离散的值处理的。数值列和字符串行都可以进行离散化。

离散化数据时，可以使用多种方法。每种方法都能使用以下示例代码中的公式，自动计算要生成的存储桶的数目：

Number of Buckets = sqrt(n)

在上述示例代码中，n 是列中数据非重复值的数目。如果不希望由 Analysis Services 计算存储桶数目，则可使用 DiscretizationBuckets 属性来手动指定存储桶的数目。

F. 离散程度计算公式

离散程度计算公式：η=G/(G+G动)，离散程度是指通过随机地观测变量各个取值之间的差异程度，用来衡量风险大小的指标。随机变量表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。
可用来测度观测变量值之间差异程度的指标有很多，在统计分析推断中最常用的主要有极差、平均差和标准差等几种。通过对随机变量取值之间离散程度的测定，可以反映各个观测个体之间的差异大小，从而也就可以反映分布中心的指标对各个观测变量值代表性的高低。通过对随机变量取值之间离散程度的测定，可以反映随机变量次数分布密度曲线的瘦俏或矮胖程度。

G. 如何用pso算法优化离散数据

聚类可以理解为根据你划定的半径取圈样本，圈出几类就是几类，半径大类就少，半径小类就多。中心选择可以随机选取，那就是无监督算法，现在有一种半监督算法，先用少量标记好的样本产生一些类别作为聚类中心，指导聚类的过程。可以使用kmeans和SVM结合

H. 有哪位大神会计算足球的离散值求详细讲解和算法公式

AVEDEV函数主要用来衡量数据的离散程度.
如果样本数据在A1:A100,计算离散程序输入以下公式
=AVEDEV(A1:A100)
离散度,应该就是可以用标准差来显示的。
每个数和平均数的差的平方相加再除以个数,最后开方.

I. 离散化过程应遵循什么原则

应遵循几何近似原则。

离散化，把无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。它可以有效的降低时间复杂度。其基本思想就是在众多可能的情况中，只考虑需要用的值。

离散化可以改进一个低效的算法，甚至实现根本不可能实现的算法。要掌握这个思想，必须从大量的题目中理解此方法的特点。例如，在建造线段树空间不够的情况下，可以考虑离散化。

(9)数据离散算法扩展阅读：

数据的离散化

有些数据本身很大， 自身无法作为数组的下标保存对应的属性。如果这时只是需要这堆数据的相对属性， 那么可以对其进行离散化处理。当数据只与它们之间的相对大小有关，而与具体是多少无关时，可以进行离散化。

例如：91054与52143的逆序对个数相同。

设有4个数：1234567、123456789、12345678、123456

排序：123456<1234567<12345678<123456789=>1<2<3<4

那么这4个数可以表示成：2、4、3、1

参考资料来源：网络-离散化

J. python 离散型数据怎么量化

python 离散型数据量化的方法可以采用变量转换方法来解决，分类数据和连续数据需要参与模型计算，并且通常会转换为数值数据。

当然，某些算法允许这些数据直接参与计算，例如分类算法中的决策树和关联规则。将非数字数据转换为数字数据的最佳方法是将所有类别或有序变量的范围从一列多值形式转换为仅包含真值的多列。可以将True值传递给True，False或0、1。这种符号转换方法有时称为真值转换。

具体代码是：

import pandas as pddata = [.

['yellow', 'S', 10.1, 'class1'].

['red', 'M', 13.5, 'class1'].

['red', 'M', 15.1, 'class2'].

['blue', 'XL', 15.3, 'class2'.

df = pd.DataFrame(.

data,columns=['color', 'size', 'prize', 'class'].

python 离散型数据用连续数据处理的方法是：

1、等宽法：若数据区间为0~20，设置箱子个数为4个，则等宽法会将数据装入4个箱子：[0,5],(5,10],(10,15],(15,20]，并且可以设置每个箱子的名字，如1、2、3、4。

等宽法缺点是分箱结果会受到最值影响。并且需要人为指定箱子个数，比较依赖于经验。分箱结果会直接影响后续分类、聚类的结果。

2、等频法：等频法是指将一组数据分解成n个部分后，每个部分的记录数量是一样多的。等频法常用pandas库中的qcut()函数进行处理。