數據離散演算法

A. 如何將離散數據分類

一點點個人想法，隨便參考一下吧

一般兩種演算法吧：
演算法一：
1、輸入待分類數的數組，將每一個數看作一個子向量
2、若現有的子向量數量 > 5（指定的子向量數量），則繼續，否則結束
3、將距離（或差值）最小的兩個子向量合並為一個子向量，回到2

演算法二：
1、將所有數排列後看作一個子向量
2、若現有子向量數 < 5 (指定子向量數)，則繼續，否則結束，或者所有數 數量<5 時結束
3、遍歷現有各個子向量，在距離最大的兩個點處分割，將其所在的子向量分成兩個子向量，回到2

B. 數據的演算法都有哪些……

A*搜尋演算法
俗稱A星演算法。這是一種在圖形平面上，有多個節點的路徑，求出最低通過成本的演算法。常用於游戲中的 NPC的移動計算，或線上游戲的 BOT的移動計算上。該演算法像 Dijkstra演算法一樣，可以找到一條最短路徑；也像BFS一樣，進行啟發式的搜索。

Beam Search
束搜索(beam search)方法是解決優化問題的一種啟發式方法，它是在分枝定界方法基礎上發展起來的，它使用啟發式方法估計k個最好的路徑，僅從這k個路徑出發向下搜索，即每一層只有滿意的結點會被保留，其它的結點則被永久拋棄，從而比分枝定界法能大大節省運行時間。束搜索於20 世紀70年代中期首先被應用於 人工智慧領域,1976 年Lowerre在其稱為 HARPY的語音識別系統中第一次使用了束搜索方法。他的目標是並行地搜索幾個潛在的最優決策路徑以減少回溯，並快速地獲得一個解。

二分取中查找演算法
一種在有序數組中查找某一特定元素的搜索演算法。搜素過程從數組的中間元素開始，如果中間元素正好是要查找的元素，則搜素過程結束；如果某一特定元素大於或者小於中間元素，則在數組大於或小於中間元素的那一半中查找，而且跟開始一樣從中間元素開始比較。這種搜索演算法每一次比較都使搜索范圍縮小一半。

Branch and bound
分支定界演算法是一種在問題的解空間樹上搜索問題的解的方法。但與回溯演算法不同，分支定界演算法採用廣度優先或最小耗費優先的方法搜索解空間樹，並且，在分支定界演算法中，每一個活結點只有一次機會成為擴展結點。

數據壓縮
數據壓縮是通過減少計算機中所存儲數據或者通信傳播中數據的冗餘度，達到增大數據密度，最終使數據的存儲空間減少的技術。數據壓縮在文件存儲和分布式系統領域有著十分廣泛的應用。數據壓縮也代表著尺寸媒介容量的增大和網路帶寬的擴展。

Diffie–Hellman密鑰協商
Diffie–Hellman key exchange，簡稱「D–H」，是一種安全協議。它可以讓雙方在完全沒有對方任何預先信息的條件下通過不安全信道建立起一個密鑰。這個密鑰可以在後續的通訊中作為對稱密鑰來加密通訊內容。

Dijkstra』s 演算法
迪科斯徹演算法（Dijkstra）是由荷蘭計算機科學家艾茲格·迪科斯徹發明的。演算法解決的是有向圖中單個源點到其他頂點的最短路徑問題。舉例來說，如果圖中的頂點表示城市，而邊上的權重表示著城市間開車行經的距離，迪科斯徹演算法可以用來找到兩個城市之間的最短路徑。

動態規劃
動態規劃是一種在 數學和計算機科學中使用的，用於求解包含重疊子問題的最優化問題的方法。其基本思想是，將原問題分解為相似的子問題，在求解的過程中通過子問題的解求出原問題的解。 動態規劃的思想是多種演算法的基礎，被廣泛應用於計算機科學和工程領域。比較著名的應用實例有：求解最短路徑問題，背包問題，項目管理，網路流優化等。這里也有一篇文章說得比較詳細。

歐幾里得演算法
在 數學中，輾轉相除法，又稱 歐幾里得演算法，是求 最大公約數的演算法。輾轉相除法首次出現於 歐幾里得的《幾何原本》（第VII卷，命題i和ii）中，而在中國則可以追溯至 東漢出現的《九章算術》。

快速傅里葉變換(FFT)
快速傅里葉變換（Fast Fourier Transform，FFT），是離散傅里葉變換的快速演算法，也可用於計算離散傅里葉變換的逆變換。快速傅里葉變換有廣泛的應用，如數字信號處理、計算大整數乘法、求解偏微分方程等等。

哈希函數
HashFunction是一種從任何一種數據中創建小的數字「指紋」的方法。該 函數將數據打亂混合，重新創建一個叫做散列值的指紋。散列值通常用來代表一個短的隨機字母和數字組成的字元串。好的散列 函數在輸入域中很少出現散列沖突。在散列表和數據處理中，不抑制沖突來區別數據，會使得資料庫記錄更難找到。

堆排序
Heapsort是指利用堆積樹（堆）這種 數據結構所設計的一種排序演算法。堆積樹是一個近似完全二叉樹的結構，並同時滿足堆積屬性：即子結點的鍵值或索引總是小於（或者大於）它的父結點。

歸並排序
Merge sort是建立在歸並操作上的一種有效的排序演算法。該演算法是採用分治法（Divide and Conquer）的一個非常典型的應用。

RANSAC 演算法
RANSAC 是」RANdom SAmpleConsensus」的縮寫。該演算法是用於從一組觀測數據中估計 數學模型參數的迭代方法，由Fischler and Bolles在1981提出，它是一種非確定性演算法，因為它只能以一定的概率得到合理的結果，隨著迭代次數的增加，這種概率是增加的。該演算法的基本假設是觀測數據集中存在」inliers」（那些對模型參數估計起到支持作用的點）和」outliers」（不符合模型的點），並且這組觀測數據受到雜訊影響。RANSAC 假設給定一組」inliers」數據就能夠得到最優的符合這組點的模型。

RSA加密演演算法
這是一個公鑰加密演算法，也是世界上第一個適合用來做簽名的演算法。今天的RSA已經 專利失效，其被廣泛地用於 電子商務加密，大家都相信，只要密鑰足夠長，這個演算法就會是安全的。

並查集Union-find
並查集是一種樹型的 數據結構，用於處理一些不相交集合（Disjoint Sets）的合並及查詢問題。常常在使用中以森林來表示。

Viterbi algorithm
尋找最可能的隱藏狀態序列
等等這些，演算法很多。

C. 離散傅立葉變換（DFT）和快速演算法（FFT）的區別是什麼

fft就是dft的快速演算法， 結果是一樣的。

應該不會有這個差別。 搞不懂就貼圖看看

這個差別在於， 補0再fft這里0是不受你前面減mean的影響的， 所以你前面減東西相當於是減一個矩形， 所以fft的結果相當於減一個Sa，所以就會對形狀有一些影響。 其實如果不是你選了一個過於短的列， 也不會有這么明顯影響的

D. 有哪位大神會計算足球的離散值求詳細講解和演算法公式

AVEDEV函數主要用來衡量數據的離散程度.
如果樣本數據在A1:A100,計算離散程序輸入以下公式
=AVEDEV(A1:A100)
離散度,應該就是可以用標准差來顯示的。
每個數和平均數的差的平方相加再除以個數,最後開方.

E. 什麼叫做離散化

Microsoft SQL Server 2005 Analysis Services (SSAS) 中創建數據挖掘模型時所用的有些演算法需要特定的內容類型才能正確運行。例如，有些演算法（如 Microsoft Naive Bayes 演算法）不能使用連續列作為輸入，即不能預測連續值。另外，有些列可能會因包含的值太多而導致演算法不易標識數據中據以創建模型的相關模式。

在此類情況下，可以將列中的數據離散化，以便可以使用演算法來生成挖掘模型。離散化是將一組連續的數據的值放入存儲桶的過程，以便得到可能狀態的離散數目。存儲桶本身是作為有序且離散的值處理的。數值列和字元串列都可以進行離散化。

離散化數據時，可以使用多種方法。每種方法都能使用以下示例代碼中的公式，自動計算要生成的存儲桶的數目：

Number of Buckets = sqrt(n)

在上述示例代碼中，n 是列中數據非重復值的數目。如果不希望由 Analysis Services 計算存儲桶數目，則可使用 DiscretizationBuckets 屬性來手動指定存儲桶的數目。

F. 離散程度計算公式

離散程度計算公式：η=G/(G+G動)，離散程度是指通過隨機地觀測變數各個取值之間的差異程度，用來衡量風險大小的指標。隨機變數表示隨機試驗各種結果的實值單值函數。隨機事件不論與數量是否直接有關，都可以數量化，即都能用數量化的方式表達。
可用來測度觀測變數值之間差異程度的指標有很多，在統計分析推斷中最常用的主要有極差、平均差和標准差等幾種。通過對隨機變數取值之間離散程度的測定，可以反映各個觀測個體之間的差異大小，從而也就可以反映分布中心的指標對各個觀測變數值代表性的高低。通過對隨機變數取值之間離散程度的測定，可以反映隨機變數次數分布密度曲線的瘦俏或矮胖程度。

G. 如何用pso演算法優化離散數據

聚類可以理解為根據你劃定的半徑取圈樣本，圈出幾類就是幾類，半徑大類就少，半徑小類就多。中心選擇可以隨機選取，那就是無監督演算法，現在有一種半監督演算法，先用少量標記好的樣本產生一些類別作為聚類中心，指導聚類的過程。可以使用kmeans和SVM結合

H. 有哪位大神會計算足球的離散值求詳細講解和演算法公式

AVEDEV函數主要用來衡量數據的離散程度.
如果樣本數據在A1:A100,計算離散程序輸入以下公式
=AVEDEV(A1:A100)
離散度,應該就是可以用標准差來顯示的。
每個數和平均數的差的平方相加再除以個數,最後開方.

I. 離散化過程應遵循什麼原則

應遵循幾何近似原則。

離散化，把無限空間中有限的個體映射到有限的空間中去，以此提高演算法的時空效率。它可以有效的降低時間復雜度。其基本思想就是在眾多可能的情況中，只考慮需要用的值。

離散化可以改進一個低效的演算法，甚至實現根本不可能實現的演算法。要掌握這個思想，必須從大量的題目中理解此方法的特點。例如，在建造線段樹空間不夠的情況下，可以考慮離散化。

(9)數據離散演算法擴展閱讀：

數據的離散化

有些數據本身很大， 自身無法作為數組的下標保存對應的屬性。如果這時只是需要這堆數據的相對屬性， 那麼可以對其進行離散化處理。當數據只與它們之間的相對大小有關，而與具體是多少無關時，可以進行離散化。

例如：91054與52143的逆序對個數相同。

設有4個數：1234567、123456789、12345678、123456

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

那麼這4個數可以表示成：2、4、3、1

參考資料來源：網路-離散化

J. python 離散型數據怎麼量化

python 離散型數據量化的方法可以採用變數轉換方法來解決，分類數據和連續數據需要參與模型計算，並且通常會轉換為數值數據。

當然，某些演算法允許這些數據直接參與計算，例如分類演算法中的決策樹和關聯規則。將非數字數據轉換為數字數據的最佳方法是將所有類別或有序變數的范圍從一列多值形式轉換為僅包含真值的多列。可以將True值傳遞給True，False或0、1。這種符號轉換方法有時稱為真值轉換。

具體代碼是：

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 離散型數據用連續數據處理的方法是：

1、等寬法：若數據區間為0~20，設置箱子個數為4個，則等寬法會將數據裝入4個箱子：[0,5],(5,10],(10,15],(15,20]，並且可以設置每個箱子的名字，如1、2、3、4。

等寬法缺點是分箱結果會受到最值影響。並且需要人為指定箱子個數，比較依賴於經驗。分箱結果會直接影響後續分類、聚類的結果。

2、等頻法：等頻法是指將一組數據分解成n個部分後，每個部分的記錄數量是一樣多的。等頻法常用pandas庫中的qcut()函數進行處理。