数据建模需要填写哪些信息

⑴ 数据挖掘数据建模结果应该怎么填

数据挖掘是利用业务知识从数据中发现和解释知识（或称为模式）的过程，这种知识是以自然或者人工形式创造的新知识。
当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于实践而非 理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖掘实践者 成功运用和遵循。

虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖掘是什么或者为什么适合这样做。在本文中我将阐述我提出数据挖掘的九种准则或“定律”（其中大多数为实践者所熟知）以及另外其它一些熟知的解释。开始从理论上（不仅仅是描述上）来解释数据挖掘过程。

我的目的不是评论CRISP-DM，但CRISP-DM的许多概念对于理解数据挖掘是至关重要的，本文也将依赖于CRISP-DM的常见术语。CRISP-DM仅仅是论述这个过程的开始。

第一，目标律：业务目标是所有数据解决方案的源头。

它定义了数据挖掘的主题：数据挖掘关注解决业务业问题和实现业务目标。数据挖掘主要不是一种技术，而是一个过程，业务目标是它的的核心。 没有业务目标，没有数据挖掘（不管这种表述是否清楚）。因此这个准则也可以说成：数据挖掘是业务过程。

第二，知识律：业务知识是数据挖掘过程每一步的核心。

这里定义了数据挖掘过程的一个关键特征。CRISP-DM的一种朴素的解读是业务知识仅仅作用于数据挖掘过程开始的目标的定义与最后的结果的实施，这将错过数据挖掘过程的一个关键属性，即业务知识是每一步的核心。

为了方便理解，我使用CRISP-DM阶段来说明：

· 商业理解必须基于业务知识，所以数据挖掘目标必须是业务目标的映射（这种映射也基于数据知识和数据挖掘知识）；

· 数据理解使用业务知识理解与业务问题相关的数据，以及它们是如何相关的；

· 数据预处理就是利用业务知识来塑造数据，使得业务问题可以被提出和解答（更详尽的第三条—准备律）；

· 建模是使用数据挖掘算法创建预测模型，同时解释模型和业务目标的特点，也就是说理解它们之间的业务相关性；

· 评估是模型对理解业务的影响；

· 实施是将数据挖掘结果作用于业务过程；

总之，没有业务知识，数据挖掘过程的每一步都是无效的，也没有“纯粹的技术”步骤。 业务知识指导过程产生有益的结果，并使得那些有益的结果得到认可。数据挖掘是一个反复的过程，业务知识是它的核心，驱动着结果的持续改善。

这背后的原因可以用“鸿沟的表现”（chasm of representation）来解释（Alan Montgomery在20世纪90年代对数据挖掘提出的一个观点）。Montgomery指出数据挖掘目标涉及到现实的业务，然而数据仅能表示现实的一 部分；数据和现实世界是有差距（或“鸿沟”）的。在数据挖掘过程中，业务知识来弥补这一差距，在数据中无论发现什么，只有使用业务知识解释才能显示其重要 性，数据中的任何遗漏必须通过业务知识弥补。只有业务知识才能弥补这种缺失，这是业务知识为什么是数据挖掘过程每一步骤的核心的原因。

第三，准备律：数据预处理比数据挖掘其他任何一个过程都重要。

这是数据挖掘着名的格言，数据挖掘项目中最费力的事是数据获取和预处理。非正式估计，其占用项目的时间为50%-80%。最简单的解释可以概括为“数据是困 难的”，经常采用自动化减轻这个“问题”的数据获取、数据清理、数据转换等数据预处理各部分的工作量。虽然自动化技术是有益的，支持者相信这项技术可以减 少数据预处理过程中的大量的工作量，但这也是误解数据预处理在数据挖掘过程中是必须的原因。

数据预处理的目的是把数据挖掘问题转化为格式化的数据，使得分析技术（如数据挖掘算法）更容易利用它。数据任何形式的变化（包括清理、最大最小值转换、增长 等）意味着问题空间的变化，因此这种分析必须是探索性的。 这是数据预处理重要的原因，并且在数据挖掘过程中占有如此大的工作量，这样数据挖掘者可以从容 地操纵问题空间，使得容易找到适合分析他们的方法。

有两种方法“塑造”这个问题 空间。第一种方法是将数据转化为可以分析的完全格式化的数据，比如，大多数数据挖掘算法需要单一表格形式的数据，一个记录就是一个样例。数据挖掘者都知道 什么样的算法需要什么样的数据形式，因此可以将数据转化为一个合适的格式。第二种方法是使得数据能够含有业务问题的更多的信息，例如，某些领域的一些数据 挖掘问题，数据挖掘者可以通过业务知识和数据知识知道这些。 通过这些领域的知识，数据挖掘者通过操纵问题空间可能更容易找到一个合适的技术解决方案。

因此，通过业务知识、数据知识、数据挖掘知识从根本上使得数据预处理更加得心应手。 数据预处理的这些方面并不能通过简单的自动化实现。

这个定律也解释了一个有疑义的现象，也就是虽然经过数据获取、清理、融合等方式创建一个数据仓库，但是数据预处理仍然是必不可少的，仍然占有数据挖掘过程一 半以上的工作量。此外，就像CRISP-DM展示的那样，即使经过了主要的数据预处理阶段，在创建一个有用的模型的反复过程中，进一步的数据预处理的必要 的。

第四，试验律（NFL律：No Free Lunch）：对于数据挖掘者来说，天下没有免费的午餐，一个正确的模型只有通过试验（experiment）才能被发现。

机器学习有一个原则：如果我们充分了解一个问题空间（problem space），我们可以选择或设计一个找到最优方案的最有效的算法。一个卓越算法的参数依赖于数据挖掘问题空间一组特定的属性集，这些属性可以通过分析发 现或者算法创建。但是，这种观点来自于一个错误的思想，在数据挖掘过程中数据挖掘者将问题公式化，然后利用算法找到解决方法。事实上，数据挖掘者将问题公 式化和寻找解决方法是同时进行的-----算法仅仅是帮助数据挖掘者的一个工具。

有五种因素说明试验对于寻找数据挖掘解决方案是必要的：

· 数据挖掘项目的业务目标定义了兴趣范围（定义域），数据挖掘目标反映了这一点；

· 与业务目标相关的数据及其相应的数据挖掘目标是在这个定义域上的数据挖掘过程产生的；

· 这些过程受规则限制，而这些过程产生的数据反映了这些规则；

· 在这些过程中，数据挖掘的目的是通过模式发现技术（数据挖掘算法）和可以解释这个算法结果的业务知识相结合的方法来揭示这个定义域上的规则；

· 数据挖掘需要在这个域上生成相关数据，这些数据含有的模式不可避免地受到这些规则的限制。

在这里强调一下最后一点，在数据挖掘中改变业务目标，CRISP-DM有所暗示，但经常不易被觉察到。广为所知的CRISP-DM过程不是下一个步骤仅接着上一个步骤的“瀑布”式的过程。事实上，在项目中的任何地方都可以进行任何CRISP-DM步骤，同样商业理解也可以存在于任何一个步骤。业务目标不是简 单地在开始就给定，它贯穿于整个过程。这也许可以解释一些数据挖掘者在没有清晰的业务目标的情况下开始项目，他们知道业务目标也是数据挖掘的一个结果，不是静态地给定。

Wolpert的“没有免费的午餐”理论已经应用于机器学习领域，无偏的状态好于（如一个具体的算法）任何其他可能的问题（数据集）出现的平均状态。这是因为，如果我们考虑所有可能的问题，他们的解决方法是均匀分布的，以至于一个算法（或偏倚）对一个子集是有利的，而对另一个子集是不利的。这与数据挖掘者所知的具有惊人的相似性，没有一个算法适合每一个问题。但是经 过数据挖掘处理的问题或数据集绝不是随机的，也不是所有可能问题的均匀分布，他们代表的是一个有偏差的样本，那么为什么要应用NFL的结论？答案涉及到上 面提到的因素：问题空间初始是未知的，多重问题空间可能和每一个数据挖掘目标相关，问题空间可能被数据预处理所操纵，模型不能通过技术手段评估，业务问题本身可能会变化。由于这些原因，数据挖掘问题空间在数据挖掘过程中展开，并且在这个过程中是不断变化的，以至于在有条件的约束下，用算法模拟一个随机选择的数据集是有效的。对于数据挖掘者来说：没有免费的午餐。

这大体上描述了数据 挖掘过程。但是，在有条件限制某些情况下，比如业务目标是稳定的，数据和其预处理是稳定的，一个可接受的算法或算法组合可以解决这个问题。在这些情况下， 一般的数据挖掘过程中的步骤将会减少。 但是，如果这种情况稳定是持续的，数据挖掘者的午餐是免费的，或者至少相对便宜的。像这样的稳定性是临时的，因为 对数据的业务理解（第二律）和对问题的理解（第九律）都会变化的。

第五，模式律（大卫律）：数据中总含有模式。

这条规律最早由David Watkins提出。 我们可能预料到一些数据挖掘项目会失败，因为解决业务问题的模式并不存在于数据中，但是这与数据挖掘者的实践经验并不相关。

前文的阐述已经提到，这是因为：在一个与业务相关的数据集中总会发现一些有趣的东西，以至于即使一些期望的模式不能被发现，但其他的一些有用的东西可能会被 发现（这与数据挖掘者的实践经验是相关的）；除非业务专家期望的模式存在，否则数据挖掘项目不会进行，这不应感到奇怪，因为业务专家通常是对的。

然而，Watkins提出一个更简单更直接的观点：“数据中总含有模式。”这与数据挖掘者的经验比前面的阐述更一致。这个观点后来经过Watkins修正，基于客户关系的数据挖掘项目，总是存在着这样的模式即客户未来的行为总是和先前的行为相关，显然这些模式是有利可图的（Watkins的客户关系管理定律）。但是，数据挖掘者的经验不仅仅局限于客户关系管理问题，任何数据挖掘问题都会存在模式（Watkins的通用律）。

Watkins的通用律解释如下：

数据挖掘项目的业务目标定义了兴趣范围（定义域），数据挖掘目标反映了这一点；
与业务目标相关的数据及其相应的数据挖掘目标是在这个定义域上的数据挖掘过程产生的；
这些过程受规则限制，而这些过程产生的数据反映了这些规则；
在这些过程中，数据挖掘的目的是通过模式发现技术（数据挖掘算法）和可以解释这个算法结果的业务知识相结合的方法来揭示这个定义域上的规则；
数据挖掘需要在这个域上生成相关数据，这些数据含有的模式不可避免地受到这些规则的限制。
总结这一观点：数据中总存在模式，因为在这过程中不可避免产生数据这样的副产品。为了发掘模式，过程从（你已经知道它）-----业务知识开始。

利用业务知识发现模式也是一个反复的过程；这些模式也对业务知识有贡献，同时业务知识是解释模式的主要因素。在这种反复的过程中，数据挖掘算法简单地连接了业务知识和隐藏的模式。

如果这个解释是正确的，那么大卫律是完全通用的。除非没有相关的数据的保证，否则在每个定义域的每一个数据挖掘问题总是存在模式的。

第六，洞察律：数据挖掘增大对业务的认知。

数 据挖掘是如何产生洞察力的？这个定律接近了数据挖掘的核心：为什么数据挖掘必须是一个业务过程而不是一个技术过程。业务问题是由人而非算法解决的。数据挖 掘者和业务专家从问题中找到解决方案，即从问题的定义域上达到业务目标需要的模式。数据挖掘完全或部分有助于这个认知过程。数据挖掘算法揭示的模式通常不 是人类以正常的方式所能认识到的。综合这些算法和人类正常的感知的数据挖掘过程在本质上是敏捷的。在数据挖掘过程中，问题解决者解释数据挖掘算法产生的结 果，并统一到业务理解上，因此这是一个业务过程。

这类似于“智能放大器”的概念，在早期的人工智能的领域，AI的第一个实际成果不是智能机器，而是被称为“智能放大器”的工具，它能够协助人类使用者提高获取有效信息的能力。数据挖掘提供一个类似的“智能放大器”，帮助

⑵ 如何使用PowerDesign进行数据库建模操作方法都有什么呢

如何使用PowerDesign进行数据库建模？操作方法都有什么呢？

操作方法

01首先打开PowerDesign软件，点击顶部的文件菜单，从下拉菜单中选择新建选项

02接下来，在弹出的新界面中选择概念数据模型选项，然后给模型命名

07然后双击关系线，在关系界面设置实体间的关系类型，包括一对多、一对一、多对多

08接下来，我们单击顶部的Tools菜单，并在下拉菜单中选择Generate Physical Data Model选项

09最后在弹出的界面中选择要建模的数据库版本，即可生成建模语言

⑶ 【总结】维度数据建模过程及举例

本文介绍数据仓库中维度数据建模的过程描述，并举一个示例以加深对相关概念的理解。

维度模型是数据仓库领域大师Ralph Kimall所倡导，他的《数据仓库工具箱》，是数据仓库工程领域最流行的数仓建模经典。维度建模以分析决策的需求出发构建模型，构建的数据模型为分析需求服务，因此它重点解决用户如何更快速完成分析需求，同时还有较好的大规模复杂查询的响应性能。

1、通过对业务需求以及可用数据源的综合考虑，确定对哪种业务过程开展建模工作

2、建立的第一个维度模型应该是一个最有影响的模型——它应该对最紧迫的业务问题作出回答，并且对数据的抽取来说是最容易的。

注：粒度是指数据仓库的数据单位中保存数据的细化或综合程度的级别，细化程度越高，粒度就越小

1、应该先优先考虑为业务处理获取最有原子性的信息而开发维度模型。原子型数据是所收集的最详细的信息，这样的数据不能再做更进一步的细分。

2、数据仓库几乎总是要求在每个维度可能得到的最低粒度上对数据进行表示的原因，并不是因为查询想看到每个低层次的行，而是因为查询希望以很精确的方式对细节知识进行抽取。

一个经过仔细考虑的粒度定义确定了事实表的基本维度特性。同时，经常也可能向事实表的基本粒度加入更多的维度，而这些附加的维度会在基本维度的每个组合值方面自然地取得唯一的值。如果附加的维度因为导致生成另外的事实行而违背了这个基本的粒度定义，那么必须对粒度定义进行修改以适应这个维度的情景。

确定将哪些事实放到事实表中。粒度声明有助于稳定相关的考虑。事实必须与粒度吻合。在考虑可能存在的事实时，可能会发现仍然需要调整早期的粒度声明和维度选择

维度建模中有一些比较重要的概念，理解了这些概念，基本也就理解了什么是维度建模。

额，看了这一句，其实是不太容易理解到底什么是事实表的。

比如一次购买行为我们就可以理解为是一个事实，下面我们上示例。

图中的订单表就是一个事实表，你可以理解他就是在现实中发生的一次操作型事件，我们每完成一个订单，就会在订单中增加一条记录。

我们可以回过头再看一下事实表的特征，在维度表里没有存放实际的内容，他是一堆主键的集合，这些ID分别能对应到维度表中的一条记录。

我们的图中的用户表、商家表、时间表这些都属于维度表，这些表都有一个唯一的主键，然后在表中存放了详细的数据信息。

下面我们将以电商为例，详细讲一下维度建模的建模方式，并举例如果使用这个模型（这点还是很重要的）。

假设我们在一家电商网站工作，比如某宝、某东。我们需要对这里业务进行建模。下面我们分析几点业务场景：

好，基于这几点，我们来设计我们的模型。

下面就是我们设计出来的数据模型，和之前的基本一样，只不过是换成了英文，主要是为了后面写sql的时候来用。

我就不再解释每个表的作用了，现在只说一下为什么要这样设计。

首先，我们想一下，如果我们不这样设计的话，我们一般会怎么做？

如果是我，我会设计下面这张表。你信不信，我能列出来50个字段！其实我个人认为怎么设计这种表都有其合理性，我们不论对错，单说一下两者的优缺点。

先说我们的维度模型：

再说我们这张大款表的优缺点：

数据模型的建立必须要为更好的应用来服务，下面我先举一个例子，来切实地感受一下来怎么用我们的模型。

需求 ：求出2016年在帝都的男性用户购买的LV品牌商品的总价格。

实现 ：

维度建模是一种十分优秀的建模方式，他有很多的优点，但是我们在实际工作中也很难完全按照它的方式来实现，都会有所取舍，比如说为了业务我们还是会需要一些宽表，有时候还会有很多的数据冗余。

⑷ 四种主要的数据模型是什么完整地描述一个数据模型需要哪三个方面的内容

数据模型是数据库系统中用于提供信息表示和操作手段的形式构架，是现实世界的模拟和抽象。
数据模型的作用：模拟现实世界；使人容易理解；便于在计算机上实现。
数据模型三要素：数据结构、数据操作、数据的约束条件。

⑸ 数据建模—流程

open(), pd.read_csv(), datasets.load_iris()

df.head(), df.tail(), df.columns, df.info(), df.shape(), df.columns.tolist()

df1['label'] = 1, df2['label'] = 0

df['feature'].drop_plicates().count()/df.shape(0)

define function

注：如果缺失值较多(可能70%以上都是缺失的)，则可考虑去除特征(前提是通过计算特征重要性后发现这个特征不重要)或者追究数据源

import seaborn as sns

sns.boxplot(df[['feature']])

针对数值较大的样本，可进行相关函数转换，比如：log

sns.distplot(df[['feature']])

df.describe()

sns.heatmap()

sns.pairplot()

from sklearn.preprocessing import OneHotEncoder

one_hot_encoder = OneHotEncoder(sparse=False, categories = 'auto')

one_hot_feas = pd.DataFrame(one_hot_encoder.fit_transform(data))

注意：需要在切分数据之后

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(df, label, test_size=0.3, random_state=number)

sklearn.svm.SVC #需要加上核函数kernel='linear'/('poly', degree=3)

sklearn.LogisticRegression

sklearn.neighbors.KNeighborsClassifier

sklearn.Linear_model.LinearRegression

sklearn.cluster.KMeans(n_clusters=3)

sklearn.decomposition.PCA()

混淆矩阵

metrics.accuracy_score()

precision_score()

recall_score()

f1_score()

⑹ 大数据建模一般有哪些步骤

1、数据测量

数据测量包括ECU内部数据获取，车内总线数据获取以及模拟量数据获取，特别是对于新能源汽车电机、逆变器和整流器等设备频率高达100KHz的信号测量，ETAS提供完整的解决方案。

2、大数据管理与分析

目前的汽车嵌入式控制系统开发环境下，人们可以通过各种各样不同的途径(如真实物体、仿真环境、模拟计算等)获取描述目标系统行为和表现的海量数据。

正如前文所述，ETAS数据测量环节获取了大量的ECU内部以及模拟量数据，如何存储并有效地利用这些数据，并从中发掘出目标系统的潜力，用以指引进一步的研发过程，成为极其重要的课题。

3、虚拟车辆模型建模与校准

基于大数据管理与分析环节对测量数据进行的分析，我们得到了一些参数之间的相互影响关系，以及相关物理变量的特性曲线。如何将这些隐含在大量数据中的宝贵的知识和数据保存下来并为我们后续的系统仿真分析所用呢?

模型是一个比较好的保存方式，我们可以通过建立虚拟车辆及虚拟ECU模型库，为后续车辆及ECU的开发验证提供标准化的仿真模型。ETAS除提供相关车辆子系统模型，还提供基于数据的建模和参数校准等完整解决方案。

4、测试与验证(XiL)

在测试与验证环节，通常包含模型在环验证(MiL)，软件在环验证(SiL)，虚拟测试系统验证(VTS)以及硬件在环验证(HiL)四个阶段，ETAS提供COSYM实现在同一软件平台上开展四个环节仿真验证工作。

关于大数据建模一般有哪些步骤，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

⑺ 怎么使用MySQL Workbench做数据建模

方法/步骤
打开MySQL Workbench，并连接数据库。图中显示连接数据库对话框

成功连接后，点击如图所示红色按钮，“create new Schema”，填写数据库名称如“new_schema”,点击“应用”，如图

在弹出的的确认对话框中点击“应用”，如图

OK，成功创建，如图

如图操作，我们开始创建表

需要填写表名（new_table），列名”id、date“和选择列的类型，以及列属性（主键），点击”应用“

7
如图所示，成功创建表，点击右键，选择“select rows”可以编辑表内容

⑻ 建模需要什么数据

井名、层名、顶深、底深 分层数据
2.
井点断点解释数据 这几项属于井点信息,并要 明确是陆地上的井,还是海 上的井,涉及到补心问题。 数据的文件格式都为 txt。 深度建议为 MD 或 TVD 测井曲线 Las、ASCII

⑼ 数学建模的论文附录中应该包括哪些内容呢

详细的结果，详细的数据表格。
主要结果数据，应在正文中列出，不要重复。

检查答卷的主要三点，把三关：

1、模型的正确性、合理性、创新性

2、结果的正确性、合理性

3、文字表述清晰，分析精辟，摘要精彩

(9)数据建模需要填写哪些信息扩展阅读

全国大学生数学建模竞赛论文格式规范

1、本科组参赛队从A、B题中任选一题，专科组参赛队从C、D题中任选一题。

2、论文用白色A4纸单面打印；上下左右各留出至少2.5厘米的页边距；从左侧装订。

3、论文第一页为承诺书，具体内容和格式见本规范第二页。

4、论文第二页为编号专用页，用于赛区和全国评阅前后对论文进行编号，具体内容和格式见本规范第三页。

5、论文题目和摘要写在论文第三页上，从第四页开始是论文正文。

6、论文从第三页开始写页码，页码必须位于每页页脚中部，用阿拉伯数字从“1”开始连续编号。

7、论文不能有页眉，论文中不能有任何可能显示答题人身份的标志。

8、论文题目用三号黑体字、一级标题用四号黑体字，并居中；二级、三级标题用小四号黑体字，左端对齐（不居中）。论文中其他汉字一律采用小四号宋体字，行距用单倍行距，打印时应尽量避免彩色打印。

9、提请大家注意：摘要应该是一份简明扼要的详细摘要（包括关键词），在整篇论文评阅中占有重要权重，请认真书写（注意篇幅不能超过一页，且无需译成英文）。全国评阅时将首先根据摘要和论文整体结构及概貌对论文优劣进行初步筛选。

⑽ 数据建模需要哪些知识

你看谢金星编写的那本数学建模书。一本书啃下来，你已经掌握了各种题型的基本方法。做题的时候，题目先是要细细的看，然后，有时候会发现如果所有条件都用上，可能根本就做不出什么来了。所以，你要学会提炼条件。再一个就是通过网上各种资料的搜集，要从别人的文献中找到有用的建模方法，要想成绩特别好的话，就必须有自己的想法。对于美国建模，和国内还是相差挺大的，难度、要求都不一样。必须至少有一人掌握matlab编程。论文一定要写好，语句通顺无错别字。
参加数学建模竞赛是不是需要学习很多知识？

没有必要很系统的学很多数学知识，这是时间和精力不允许的。很多优秀的论文，其高明之处并不是用了多少数学知识，而是思维比较全面、贴合实际、能解决问题或是有所创新。有时候，在论文中可能碰见一些没有学过的知识，怎么办？现学现用，在优秀论文中用过的数学知识就是最有可能在数学建模竞赛中用到的，你当然有必要去翻一翻。
具体说来，大概有以下这三个方面：
第一方面：数学知识的应用能力
归结起来大体上有以下几类：
1）概率与数理统计
2）统筹与线轴规划
3）微分方程；
还有与计算机知识交叉的知识：计算机模拟。
上述的内容有些同学完全没有学过，也有些同学只学过一点概率与数理统计，微分方程的知识怎么办呢？一个词“自学”，我曾听到过数模评卷的负责教师范毅说过“能用最简单浅易的数学方法解决了别人用高深理论才能解决的答卷是更优秀的答卷”。
第二方面：计算机的运用能力
一般来说凡参加过数模竞赛的同学都能熟练地应用字处理“Word”，掌握电子表格“Excel”的使用；“Mathematica”的使用，最好还具备语言能力。这些知识大部分都是学生自己利用课余时间学习的。
第三方面：论文的写作能力
前面已经说过考卷的全文是论文式的，文章的书写有比较严格的格式。要清楚地表达自己的想法并不容易，有时一个问题没说清楚就又说另一个问题了。评卷的教师们有一个共识，一篇文章用10来分钟阅读仍然没有引起兴趣的话，这一遍文章就很有可能被打入冷宫了。
最后，祝你取得好成绩。