2023年6月12日
完成label转换，得到26111项数据标签

2023年6月14日
学习对于标签缺失，和数据不完整时的处理方法

2023年6月25日
在师兄的指导下，简化处理思路；对于部分特征数据缺失的情况
删除缺失值：将包含缺失值的样本从数据集中删除。这种方法适用于缺失值较少且对整体数据影响较小的情况。可以使用pandas库中的dropna()函数来删除含有缺失值的行。

填充缺失值：对缺失值进行填充，使其具有某种特定的值。常用的填充方法包括用均值、中位数或众数填充数值型特征，用最常见的类别填充分类特征。可以使用pandas库中的fillna()函数进行缺失值填充。

插值法：通过已知数据的插值来估计缺失值。常用的插值方法包括线性插值、多项式插值、样条插值等。可以使用pandas库中的interpolate()函数进行插值操作。

特殊值标记：将缺失值视为一种特殊的取值，为其分配一个独特的标记。这样模型可以学习到缺失值可能对预测有一定的影响。可以使用pandas库中的fillna()函数将缺失值填充为特殊值。
可以直接删掉

2023年7月2日
完成请销假统计，去除错误数据，有一个错误
姓名重合：莫琰,莫䶮

2023年7月3日
完成学业预警统计统计，去除错误数据，一个错误
姓名重合：扎西尼玛, 扎西尼马

2023年7月8日
完成特征值缩放和选择工作（选择17个特征，包括幺爸给的加权值，相关性不管，没想到好方法），完成数据清洗，和缺失值处理前面已经完成

2023年7月12日
最后筛选出需要的特征

2023年7月13日
按照特征数字量化表的要求，完成了除学业和考勤外所有特征的量化，在Feature_Processed_2.py这个文件中处理，进一步统计特征，学业和出勤特征没有进一步统计进去