什么是奥维数据

A. 解释一下高维数据建模、缺失数据修复、病态数据剔除的概念

挖塞 ...太广了...细点

B. 高维数据挖掘的什么是数据挖掘

数据挖掘指的是从大量的数据中提取隐含的、事先未知的、并且潜在有用的知识的技术。数据挖掘的广义观点：数据挖掘就是从存放在数据库，数据仓库或其他信息库中的大量的数据中“挖掘”有趣知识的过程。它是计算机技术研究中的一个很有应用价值的新领域，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，目前已成为国际上数据库和信息决策领域中最前沿的研究方向之一，引起了学术界和工业界的广泛关注。

C. 什么是高维数据

高维数据的解答如下：

1. 平时经常接触的是一维数据或者可以写成表形式的二维数据。

2. 高维数据也可以类推，不过维数较高的时候，直观表示很难。
   

高维数据挖掘是基于高维度的一种数据挖掘，它和传统的数据挖掘最主要的区别在于它的高维度。高维数据挖掘已成为数据挖掘的重点和难点。随着技术的进步使得数据收集变得越来越容易，导致数据库规模越来越大、复杂性越来越高，如各种类型的贸易交易数据、Web 文档、基因表达数据、文档词频数据、用户评分数据、WEB使用数据及多媒体数据等，它们的维度（属性）通常可以达到成百上千维，甚至更高。

D. 什么情况下需要的数据分析和数据挖掘需要用高维数据

一般是否需要高维数据要看数据特征的数量，数量多了也就高维了。高维数据分析能够综合更多的信息，对预测有更好的准确性。——相数科技

E. 矩阵）和一个一维，但是包含高维数据的数组之间的区别

高维数据的概念其实不难，简单的说就是多维数据的意思。平时我们经常接触的是一维数据或者可以写成表形式的二维数据，高维数据也可以类推，不过维数较高的时候，直观表示很难。 目前高维数据挖掘是研究重点，这是它的特点： 高维数据挖掘是基于...

F. 求 高维数据检索方法

其实你这个高维的东西说的很模糊，毕竟总来看问题的可能不是你这个领域的人，所以对实际的问题比较模糊，还是不了解具体的含义。

不过正常来说,查找最快速的方法是HASH表,其实相当与一个MAP,就是一一映射,但是设计一个好的HASH也比较难......

还有就是树的方法,不过你的数据结构本身就特别复杂,所以用B树可能也很复杂.这个问题我觉得发到这里可能不是有特别好的结果,最好去国外数据库相关的论坛看看。因为你的这个数据量已经很大了。

G. python"高维数据"可视化用什么库

常见的Python可视化库有哪些？
Matplotlib
Matplotlib是一个Python 2维绘图库，已经成为Python中公认的数据可视化工具，通过Matplotlib你可以很轻松地画一些或简单或复杂地图形，几行代码即可生成线图、直方图、功率谱、条形图、错误图、散点图等等。

Seaborn
Seaborn是基于Mtplotlib产生的一个模块，专攻于统计可视化，可以和pandas进行无缝链接，使初学者更容易上手。相对于Matplotlib，Seaborn语法更简洁，两者关系类似于NumPy、和Pandas之间的关系。

HoloViews
HoloViews是一个开源的Python库，可以用非常少的代码行中完成数据分析和可视化，除了默认的Matplotlib后端外，还添加了一个Bokeh后端。Bokeh提供了一个强大的平台，通过结合Bokeh提供的交互式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高维可视化，非常适合于数据的交互式探索。

Altair
Altair是Python的一个公认的统计可视化库，它的API简单、友好、一致，并建立在强大的vega-lite（交互式图形语法）之上。Altair API不包含实际的可视化呈现代码，而是按照vega-lite规范发出JSON数据结构。由此产生的数据可以在用户界面中呈现，这种优雅的简单性产生了漂亮且有效的可视化效果，且只需很少的代码。

ggplot
ggplot是基于R的ggplot2和图形语法的Python的绘图系统，实现了更少的代码绘制更专业的图形。
它使用一个高级且富有表现力的API来实现线，点等元素的添加，颜色的更改等不同类型的可视化组件的组合或添加，而不需要重复使用相同的代码，然而这对那些试图进行高度定制的的来说，ggplot并不是最好的选择，尽管它也可以制作一些非常复杂、好看的图形。

Bokeh
Bokeh是一个Python交互式可视化库，支持现代化Web浏览器展示。它提供风格优雅、简洁的D3.js的图形化样式，并将此功能扩展到高性能交互的数据集，数据流上。使用Bokeh可以快速便捷地创建交互式绘图、仪表板和数据应用程序等。
Bokeh能与NumPy、Pandas，Blaze等大部分数组或表格式的数据结构完美结合。

H. 什么是高维数据

高维
数据的
概念
其实不难，简单的说就是多维数据的意思。平时我们经常接触的是一维数据或者可以写成表形式的二维数据，高维数据也可以类推，不过
维数
较高的时候，直观表示很难。
目前
高维数据挖掘
是研究重点，这是它的特点：
高维数据挖掘是基于高维度的一种
数据挖掘
，它和传统的数据挖掘最主要的区别在于它的高维度。目前高维数据挖掘已成为数据挖掘的重点和难点。随着技术的进步使得数据收集变得越来越容易，导致数据库
规模
越来越大、
复杂性
越来越高，如各种类型的贸易交易数据、Web
文档、
基因表达数据
、文档
词频
数据、用户评分数据、WEB使用数据及多媒体数据等，它们的维度（属性）通常可以达到成百上千维，甚至更高。
由于高维数据存在的普遍性，使得对高维数据挖掘的研究有着非常重要的意义。但由于“维灾”的影响，也使得高维数据挖掘变得异常地困难，必须采用一些特殊的
手段
进行处理。
随着数据维数的升高，高维
索引
结构
的性能迅速下降，在低
维空间
中，我们经常采用
欧式距离
作为数据之间的
相似性
度量，但在
高维空间
中很多情况下这种相似性的概念不复存在，这就给高维数据挖掘带来了很严峻的考验，一方面引起基于索引结构的
数据挖掘算法
的性能下降，另一方面很多基于全
空间距离
函数
的挖掘方法也会失效。解决的方法可以有以下几种：可以通过降维将数据从高维降到低维，然后用低维数据的处理办法进行处理；对算法效率下降问题可以通过设计更为有效的索引结构、采用
增量
算法及
并行算法
等来提高算法的性能；对失效的问题通过重新定义使其获得新生。

I. 怎么判断高维数据集是不是稀疏的

超过三维 四维的空间维度 就被称为高维度 因为它们无法被人们的感官所直观感知到 高维数据又叫多维数据 这个是指信息的获取渠道有多个不同的来源途径 将各方各面各种不同的数据汇总起来 综合地了解事物的各方面特性 以对事物本身有一个比较全面

J. 高维数据怎么判断是线性的还是非线性的

高维数据不存在判断是否线性的问题，只存在判断是否线性相关的问题