數(shù)據(jù)分析崗位筆試題目總結(jié)

1、阿里巴巴1、異常值是指什么?請(qǐng)列舉1種識(shí)別連續(xù)型變量異常值的方法? 異常值(Outlier) 是指樣本中的個(gè)別值，其數(shù)值明顯偏離所屬樣本的其余觀測(cè)值。在數(shù)理統(tǒng)計(jì)里一般是指一組觀測(cè)值中與平均值的偏差超過(guò)兩倍標(biāo)準(zhǔn)差的測(cè)定值.常見(jiàn)的異常值檢驗(yàn)方法如下：l 基于統(tǒng)計(jì)的方法l 基于距離的方法l 基于密度的方法l 基于聚類的方法l 基于偏差的方法l 基于深度的方法t檢驗(yàn)：按照t分布的實(shí)際誤差分布范圍來(lái)判別異常值，首先剔除一個(gè)可疑值，然后按t分布來(lái)檢驗(yàn)剔除的值是否為異常值。狄克遜檢驗(yàn)法：假設(shè)一組數(shù)據(jù)有序x1<x2<<xn，且服從正態(tài)分布，則異常值最有可能出現(xiàn)在兩端x1和xn。格拉布斯檢驗(yàn)法

2、：與狄克遜檢驗(yàn)法思想一樣，其檢驗(yàn)公式為：指數(shù)分布檢驗(yàn)：SPSS和R語(yǔ)言中通過(guò)繪制箱圖可以找到異常值，分布在箱邊框外部；2、什么是聚類分析?聚類算法有哪幾種?請(qǐng)選擇一種詳細(xì)描述其計(jì)算原理和步驟。 聚類分析(cluster analysis)是一組將研究對(duì)象分為相對(duì)同質(zhì)的群組(clusters)的統(tǒng)計(jì)分析技術(shù)。聚類分析也叫分類分析(classification analysis)或數(shù)值分類(numerical taxonomy)。聚類與分類的不同在于，聚類所要求劃分的類是未知的。  聚類分析計(jì)算方法主要有：層次的方法(hierarchical method)、劃分方法(partition

3、ing method)、基于密度的方法(density-based method)、基于網(wǎng)格的方法(grid-based method)、基于模型的方法(model-based method)等。其中，前兩種算法是利用統(tǒng)計(jì)學(xué)定義的距離進(jìn)行度量。 常見(jiàn)的聚類方法有：K-pototypes算法，K-Means算法，CLARANS算法（劃分方法），BIRCH算法（層次方法），CURE算法（層次方法），DBSCAN算法（基于密度的方法），CLIQUE算法（綜合了基于密度和基于網(wǎng)格的算法）；k-means 算法的工作過(guò)程說(shuō)明如下：首先從n個(gè)數(shù)據(jù)對(duì)象任意選擇 k 個(gè)對(duì)象作為初始聚類中心;而對(duì)于所剩下其它對(duì)

4、象，則根據(jù)它們與這些聚類中心的相似度(距離)，分別將它們分配給與其最相似的(聚類中心所代表的)聚類;然后再計(jì)算每個(gè)所獲新聚類的聚類中心(該聚類中所有對(duì)象的均值);不斷重復(fù)這一過(guò)程直到標(biāo)準(zhǔn)測(cè)度函數(shù)開(kāi)始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測(cè)度函數(shù). k個(gè)聚類具有以下特點(diǎn)：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開(kāi)。 其流程如下： (1)從 n個(gè)數(shù)據(jù)對(duì)象任意選擇 k 個(gè)對(duì)象作為初始聚類中心; (2)根據(jù)每個(gè)聚類對(duì)象的均值(中心對(duì)象)，計(jì)算每個(gè)對(duì)象與這些中心對(duì)象的距離;并根據(jù)最小距離重新對(duì)相應(yīng)對(duì)象進(jìn)行劃分;  (3)重新計(jì)算每個(gè)(有變化)聚類的均值(中心對(duì)象); (4)循環(huán)(2)、(3)

5、直到每個(gè)聚類不再發(fā)生變化為止(標(biāo)準(zhǔn)測(cè)量函數(shù)收斂)。 優(yōu)點(diǎn)：本算法確定的K 個(gè)劃分到達(dá)平方誤差最小。當(dāng)聚類是密集的，且類與類之間區(qū)別明顯時(shí)，效果較好。對(duì)于處理大數(shù)據(jù)集，這個(gè)算法是相對(duì)可伸縮和高效的，計(jì)算的復(fù)雜度為 O(NKt)，其中N是數(shù)據(jù)對(duì)象的數(shù)目，K是聚類中心，t是迭代的次數(shù)。缺點(diǎn)：1. K 是事先給定的，但非常難以選定;2. 初始聚類中心的選擇對(duì)聚類結(jié)果有較大的影響。 3.數(shù)據(jù)標(biāo)準(zhǔn)化技術(shù)是將數(shù)據(jù)按比例縮放，使之落入一個(gè)小的特定區(qū)間。去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無(wú)量綱的純數(shù)值，便于不同單位或量級(jí)的指標(biāo)能夠進(jìn)行比較和加權(quán)。常用的方法有：（1）總和標(biāo)準(zhǔn)化。分別求出各要素所對(duì)應(yīng)的數(shù)據(jù)的總和，以各

6、要素的數(shù)據(jù)除以該要素的數(shù)據(jù)的總和，即 4.缺失值處理方法1） 直接丟棄含缺失數(shù)據(jù)的記錄如：個(gè)案剔除法，這種方法卻有很大的局限性。它是以減少樣本量來(lái)?yè)Q取信息的完備，會(huì)造成資源的大量浪費(fèi)，丟棄了大量隱藏在這些對(duì)象中的信息。當(dāng)缺失數(shù)據(jù)所占比例較大，特別是當(dāng)缺數(shù)據(jù)非隨機(jī)分布時(shí)，這種方法可能導(dǎo)致數(shù)據(jù)發(fā)生偏離，從而得出錯(cuò)誤的結(jié)論。2）補(bǔ)缺A. 用平均值來(lái)代替所有缺失數(shù)據(jù)：均值替換法，均值替換法也是一種簡(jiǎn)便、快速的缺失數(shù)據(jù)處理方法。使用均值替換法插補(bǔ)缺失數(shù)據(jù)，對(duì)該變量的均值估計(jì)不會(huì)產(chǎn)生影響。但這種方法是建立在完全隨機(jī)缺失（MCAR）的假設(shè)之上的，而且會(huì)造成變量的方差和標(biāo)準(zhǔn)差變小。B. K -最近距離鄰居法：

7、先根據(jù)歐式距離或相關(guān)分析來(lái)確定距離具有缺失數(shù)據(jù)樣本最近的K個(gè)樣本，將這K個(gè)值加權(quán)平均來(lái)估計(jì)該樣本的缺失數(shù)據(jù)。C.用預(yù)測(cè)模型來(lái)預(yù)測(cè)每一個(gè)缺失數(shù)據(jù)：該方法最大限度地利用已知的相關(guān)數(shù)據(jù)，是比較流行的缺失數(shù)據(jù)處理技術(shù)。如：回歸替換法，該方法也有諸多弊端，第一，容易忽視隨機(jī)誤差，低估標(biāo)準(zhǔn)差和其他未知性質(zhì)的測(cè)量值，而且這一問(wèn)題會(huì)隨著缺失信息的增多而變得更加嚴(yán)重。第二，研究者必須假設(shè)存在缺失值所在的變量與其他變量存在線性關(guān)系，很多時(shí)候這種關(guān)系是不存在的。 5.Apriori算法和信息熵信息熵是數(shù)學(xué)中一個(gè)抽象的概念，他表示了信息源的不確定度，這里不妨把信息熵理解成某種特定信息的出現(xiàn)概率，當(dāng)一種信息出現(xiàn)概率更高

8、的時(shí)候，表明它被傳播得更廣泛，或者說(shuō)，被引用的程度更高。我們可以認(rèn)為，從信息傳播的角度來(lái)看，信息熵可以表示信息的價(jià)值。支持度：Support(A->B)=P(A U B)。支持度揭示了A與B同時(shí)出現(xiàn)的概率。如果A與B同時(shí)出現(xiàn)的概率小，說(shuō)明A與B的關(guān)系不大；如果A與B同時(shí)出現(xiàn)的非常頻繁，則說(shuō)明A與B總是相關(guān)的。置信度(Confidence)的公式式：Confidence(A->B)=P(A | B)。置信度揭示了A出現(xiàn)時(shí)，B是否也會(huì)出現(xiàn)或有多大概率出現(xiàn)。如果置信度度為100%，則A和B可以捆綁銷售了。如果置信度太低，則說(shuō)明A的出現(xiàn)與B是否出現(xiàn)關(guān)系不大。H(x) = EI(xi) =

9、E log(2,1/p(xi) = -p(xi)log(2,p(xi) (i=1,2,.n)，單位是bit.其中，x表示隨機(jī)變量，與之相對(duì)應(yīng)的是所有可能輸出的集合，定義為符號(hào)集,隨機(jī)變量的輸出用x表示。P(x)表示輸出概率函數(shù)。變量的不確定性越大，熵也就越大，把它搞清楚所需要的信息量也就越大.以頻繁項(xiàng)集I1，I2，I3為例產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，最小置信度為40%(1) 頻繁項(xiàng)集I1，I2，I3的非空子集有I1，I2,I1，I3,I2，I3,I1,I2,I3(2) 產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則I1，I2=>I3 confidence=support(I1,I2,I3)/support(I1,I2)=2/4=0

10、.5I1,I3=>I2 confidence=support（I1，I2，I3）/support(I1,I3)=2/4=0.5I2,I3=>I1 confidence=support（I1，I2，I3）/support(I2,I3)=2/4=0.5I1=>I2,I3 confidence=support（I1，I2，I3）/support(I1)=2/6=0.33I2=>I1,I3 confidence=support（I1，I2，I3）/support(I2)=2/7=0.29I3=>I1,I2 confidence=support（I1，I2，I3）/supp

11、ort(I3)=2/6=0.33則強(qiáng)關(guān)聯(lián)規(guī)則為：I1，I2=>I3；I1,I3；I2,I3=>I13、根據(jù)要求寫(xiě)出SQL （沒(méi)有學(xué)習(xí)過(guò)，之后的學(xué)習(xí)中需要補(bǔ)）表A結(jié)構(gòu)如下： Member_ID (用戶的ID，字符型) Log_time (用戶訪問(wèn)頁(yè)面時(shí)間，日期型(只有一天的數(shù)據(jù)) URL (訪問(wèn)的頁(yè)面地址，字符型) 要求：提取出每個(gè)用戶訪問(wèn)的第一個(gè)URL(按時(shí)間最早)，形成一個(gè)新表(新表名為B，表結(jié)構(gòu)和表A一致) 參考答案： create table B as select Member_ID, min(Log_time), URL from A group by Member_ID

12、 ; 5、用戶調(diào)研 某公司針對(duì)A、B、C三類客戶，提出了一種統(tǒng)一的改進(jìn)計(jì)劃，用于提升客戶的周消費(fèi)次數(shù)，需要你來(lái)制定一個(gè)事前試驗(yàn)方案，來(lái)支持決策，請(qǐng)你思考下列問(wèn)題： a) 試驗(yàn)需要為決策提供什么樣的信息? c) 按照上述目的，請(qǐng)寫(xiě)出你的數(shù)據(jù)抽樣方法、需要采集的數(shù)據(jù)指標(biāo)項(xiàng)，以及你選擇的統(tǒng)計(jì)方法。 a) 試驗(yàn)要能證明該改進(jìn)計(jì)劃能顯著提升A、B、C三類客戶的周消費(fèi)次數(shù)。 b) 根據(jù)三類客戶的數(shù)量，采用分層比例抽樣; 需要采集的數(shù)據(jù)指標(biāo)項(xiàng)有：客戶類別，改進(jìn)計(jì)劃前周消費(fèi)次數(shù)，改進(jìn)計(jì)劃后周消費(fèi)次數(shù); 選用統(tǒng)計(jì)方法為：分別針對(duì)A、B、C三類客戶，進(jìn)行改進(jìn)前和后的周消費(fèi)次數(shù)的，兩獨(dú)立樣本T-檢驗(yàn)6.常見(jiàn)的抽樣方

13、法有哪些？常用的有以下六種類型：簡(jiǎn)單抽樣（Simple sampling）即簡(jiǎn)單隨機(jī)抽樣，指保證大小為n的每個(gè)可能的樣本都有相同的被抽中的概率。例如：按照“抽簽法”、“隨機(jī)表”法抽取訪問(wèn)對(duì)象，從單位人名目錄中抽取對(duì)象。優(yōu)點(diǎn)：隨機(jī)度高，在特質(zhì)較均一的總體中，具有很高的總體代表度；是最簡(jiǎn)單的抽樣技術(shù)，有標(biāo)準(zhǔn)而且簡(jiǎn)單的統(tǒng)計(jì)公式。缺點(diǎn)：未使用可能有用的抽樣框輔助信息抽取樣本，可能導(dǎo)致統(tǒng)計(jì)效率低；有可能抽到一個(gè)“差”的樣本，使抽出的樣本分布不好，不能很好地代表總體。系統(tǒng)抽樣（Systematic random sampling）將總體中的各單元先按一定順序排列，并編號(hào)，然后按照不一定的規(guī)則抽樣。其中最常

14、采用的是等距離抽樣，即根據(jù)總體單位數(shù)和樣本單位計(jì)算出抽樣距離（即相同的間隔），然后按相同的距離或間隔抽選樣本單位。例如：從1000個(gè)電話號(hào)碼中抽取10個(gè)訪問(wèn)號(hào)碼，間距為100，確定起點(diǎn)（起點(diǎn)間距）后每100號(hào)碼抽一訪問(wèn)號(hào)碼。優(yōu)點(diǎn)：兼具操作的簡(jiǎn)便性和統(tǒng)計(jì)推斷功能，是目前最為廣泛運(yùn)用的一種抽樣方法。如果起點(diǎn)是隨機(jī)確定的，總體中單元排列是隨機(jī)的，等距抽樣的效果近似簡(jiǎn)單抽樣；與簡(jiǎn)單抽樣相比，在一定條件下，樣本的分布較好。缺點(diǎn)：抽樣間隔可能遇到總體中某種未知的周期性，導(dǎo)致“差”的樣本；未使用可能有用的抽樣框輔助信息抽取樣本，可能導(dǎo)致統(tǒng)計(jì)效率低。分層抽樣（Stratified random samplin

15、g）是把調(diào)查總體分為同質(zhì)的、互不交叉的層（或類型），然后在各層（或類型）中獨(dú)立抽取樣本。例如：調(diào)查零售店時(shí)，按照其規(guī)模大小或庫(kù)存額大小分層，然后在每層中按簡(jiǎn)單隨機(jī)方法抽取大型零售店若干、中型若干、小型若干；調(diào)查城市時(shí)，按城市總?cè)丝诨蚬I(yè)生產(chǎn)額分出超大型城市、中型城市、小型城市等，再抽出具體的各類型城市若干。優(yōu)點(diǎn)：適用于層間有較大的異質(zhì)性，而每層內(nèi)的個(gè)體具有同質(zhì)性的總體，能提高總體估計(jì)的精確度，在樣本量相同的情況下，其精度高于簡(jiǎn)單抽樣和系統(tǒng)抽樣；能保證“層”的代表性，避免抽到“差”的樣本；同時(shí)，不同層可以依據(jù)情況采用不同的抽樣框和抽樣方法。缺點(diǎn)：要求有高質(zhì)量的、能用于分層的輔助信息；由于需要輔助

16、信息，抽樣框的創(chuàng)建需要更多的費(fèi)用，更為復(fù)雜；抽樣誤差估計(jì)比簡(jiǎn)單抽樣和系統(tǒng)抽樣更復(fù)雜。整群抽樣（Cluster sampling）（層層深入抽樣，不斷縮小抽樣的范圍）是先將調(diào)查總體分為群，然后從中抽取群，對(duì)被抽中群的全部單元進(jìn)行調(diào)查。例如：入戶調(diào)查，按地塊或居委會(huì)抽樣，以地塊或居委會(huì)等有地域邊界的群體為第一抽樣單位，在選出的地塊或居委會(huì)實(shí)施逐戶抽樣；市場(chǎng)調(diào)查中，最后一級(jí)抽樣時(shí)，從居委會(huì)中抽取若干戶，然后調(diào)查抽中戶家中所有18歲以上成年人。優(yōu)點(diǎn)：適用于群間差異小、群內(nèi)各個(gè)體差異大、可以依據(jù)外觀的或地域的差異來(lái)劃分的群體。缺點(diǎn)：群內(nèi)單位有趨同性，其精度比簡(jiǎn)單抽樣為低。前面談到抽樣方法的一些基本分類和

17、各自特點(diǎn)，需要注意的是，在實(shí)際的運(yùn)用中，一個(gè)調(diào)查方案 常常不是只局限于使用某一種抽樣方式，而根據(jù)研究時(shí)段的不同采用多種抽樣方法的組鴿為實(shí)現(xiàn)不同的研究目的，有時(shí)甚至在同一時(shí)段綜合運(yùn)用幾種抽樣方法。例如，設(shè)計(jì)一個(gè)全國(guó)城市的入戶項(xiàng)目，在抽樣上可以分為幾個(gè)不同的步驟，包括：1）在項(xiàng)目正式開(kāi)始前，可以采用判斷抽樣法選出某一城市先作試點(diǎn)，在問(wèn)卷設(shè)計(jì)初期可以采用任意抽樣法選出部分人群進(jìn)行問(wèn)卷試訪。2）采用分層隨機(jī)抽樣法，確定全國(guó)要分別在多少個(gè)超大型市、多少個(gè)中型市、多少個(gè)小型市實(shí)施（先分出城市的幾個(gè)層次，再依據(jù)研究需要在各層用PPS法選取具體城市）3）采用簡(jiǎn)單抽樣法或PPS抽樣法，確定抽出城市中應(yīng)抽的地塊或

18、居委會(huì)；4）采用整群抽樣法，確定抽出地塊或居委會(huì)應(yīng)訪問(wèn)的家庭戶；5）在項(xiàng)目后期，可以采用判斷抽樣法選取某城市進(jìn)行深入研究。8.置信度與置信區(qū)間P（x1<x<x2）=1-a,稱1-a為置信度，x1,x2為置信區(qū)間置信度越大，置信區(qū)間越寬；置信區(qū)間越寬，置信度越大；置信度越小，置信區(qū)間越窄9.ROC曲線及含義ROC曲線指受試者工作特征曲線(receiver operating characteristic curve), 是反映敏感性和特異性連續(xù)變量的綜合指標(biāo),是用構(gòu)圖法揭示敏感性和特異性的相互關(guān)系，它通過(guò)將連續(xù)變量設(shè)定出多個(gè)不同的臨界值，從而計(jì)算出一系列敏感性和特異性，再以敏感性為縱

19、坐標(biāo)、（1-特異性）為橫坐標(biāo)繪制成曲線，曲線下面積越大，診斷準(zhǔn)確性越高。在ROC曲線上，最靠近坐標(biāo)圖左上方的點(diǎn)為敏感性和特異性均較高的臨界值。10.數(shù)據(jù)挖掘步驟 理解數(shù)據(jù)和數(shù)據(jù)的來(lái)源（understanding）。 獲取相關(guān)知識(shí)與技術(shù)（acquisition）。 整合與檢查數(shù)據(jù)（integration and checking）。 去除錯(cuò)誤或不一致的數(shù)據(jù)（data cleaning）。 建立模型和假設(shè)（model and hypothesis development）。 實(shí)際數(shù)據(jù)挖掘工作（data mining）。 測(cè)試和驗(yàn)證挖掘結(jié)果（testing and verfication）。 解釋和

20、應(yīng)用（interpretation and use）。11.如何評(píng)估促銷活動(dòng)？11. Bayes公式（全概率公式）探索在已知結(jié)果的情況下，是由哪種原因引起的概率；12. 邏輯回歸（分類問(wèn)題）邏輯回歸適合求解哪些問(wèn)題：邏輯回歸本質(zhì)上解決的是分類問(wèn)題，Logistic回歸的主要用途：· 尋找危險(xiǎn)因素：尋找某一疾病的危險(xiǎn)因素等；· 預(yù)測(cè)：根據(jù)模型，預(yù)測(cè)在不同的自變量情況下，發(fā)生某病或某種情況的概率有多大；· 判別：實(shí)際上跟預(yù)測(cè)有些類似，也是根據(jù)模型，判斷某人屬于某病或?qū)儆谀撤N情況的概率有多大，也就是看一下這個(gè)人有多大的可能性是屬于某病。11. 線性回歸線性回歸（一元和多

21、元）中對(duì)誤差的假設(shè)都是假定服從均值為0方差為定值的正態(tài)分布，擬合系數(shù)的求解方法可以有最小二乘法梯度下降法等。關(guān)于殘差的假設(shè)為：零均值，同方差，正態(tài)性，不相關(guān)，樣本隨機(jī)。回歸分析的自變量為連續(xù)性變量，而方差分析的自變量為離散型分類變量；廣義線性回歸于線性回歸的最大區(qū)別是隨機(jī)誤差的分布不一定是正態(tài)分布，與非線性模型的最大區(qū)別是非線性回歸無(wú)明確的隨機(jī)誤差分布假定。12. 過(guò)擬合現(xiàn)象以及避免的方法所謂過(guò)擬合問(wèn)題：過(guò)擬合反映的是在學(xué)習(xí)訓(xùn)練中,模型對(duì)訓(xùn)練樣本達(dá)到非常高的逼近精度, 為了能夠?qū)颖就耆_的分類，使得它的構(gòu)造如此精細(xì)復(fù)雜，規(guī)則如此嚴(yán)格，以至于任何與樣本數(shù)據(jù)稍有不同的文檔它全都認(rèn)為不屬于這個(gè)類

22、別，在測(cè)試數(shù)據(jù)上往往顯示出很差的效果.產(chǎn)生過(guò)擬合是因?yàn)椋?.由于對(duì)樣本數(shù)據(jù),可能存在隱單元的表示不唯一,即產(chǎn)生的分類的決策面不唯一.2.權(quán)值學(xué)習(xí)迭代次數(shù)足夠多(Overtraining),擬合了訓(xùn)練數(shù)據(jù)中的噪聲和訓(xùn)練樣例中沒(méi)有代表性的特征.過(guò)度擬合解決方法：1.權(quán)值衰減. 它在每次迭代過(guò)程中以某個(gè)小因子降低每個(gè)權(quán)值 ,此方法的動(dòng)機(jī)是保持權(quán)值較小,避免weight decay,從而使學(xué)習(xí)過(guò)程向著復(fù)雜決策面的反方向偏。2. 減少特征的數(shù)量，有人工選擇，或者采用模型選擇算法3.驗(yàn)證數(shù)據(jù)      一個(gè)最成功的方法是在訓(xùn)練數(shù)據(jù)外再為算法提供一套驗(yàn)證數(shù)據(jù)

23、,應(yīng)該使用在驗(yàn)證集合上產(chǎn)生最小誤差的迭代次數(shù),不是總能明顯地確定驗(yàn)證集合何時(shí)達(dá)到最小誤差.4.Cross-validation with some patterns      交叉驗(yàn)證方法在可獲得額外的數(shù)據(jù)提供驗(yàn)證集合時(shí)工作得很好,但是小訓(xùn)練集合的過(guò)度擬合問(wèn)題更為嚴(yán)重.   k-fold交叉方法:  把訓(xùn)練樣例分成k份,然后進(jìn)行k次交叉驗(yàn)證過(guò)程,每次使用不同的一份作為驗(yàn)證集合,其余k-1份合并作為訓(xùn)練集合.每個(gè)樣例會(huì)在一次實(shí)驗(yàn)中被用作驗(yàn)證樣例,在k-1次實(shí)驗(yàn)中被用作訓(xùn)練樣例;5.正則化方法正則化是結(jié)構(gòu)風(fēng)險(xiǎn)最小化策略的實(shí)現(xiàn)，是在經(jīng)驗(yàn)風(fēng)險(xiǎn)上加一個(gè)正則化項(xiàng)或懲罰項(xiàng)。正則化項(xiàng)一般是模型復(fù)雜度的單調(diào)遞增函數(shù)，模型越復(fù)雜，正則化項(xiàng)就越大，正則化方法的作用是：保留所有特征但減小參數(shù)的取值。13. 監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)有監(jiān)督學(xué)習(xí)：對(duì)具有概念標(biāo)記（分