企业官网建设流程全解析

简介：面向2022年全国大学生数学建模竞赛C题的PDF文档，围绕古代玻璃文物成分分析与鉴别展开，适合备赛学生梳理赛题建模思路、复现分析流程并参考论文写作。文档以完整解题论文形式呈现，依次讨论风化与类型、纹饰、颜色的关系，定义风化系数，并通过主成分分析降维、因子分析构建风化到未风化成分的转换矩阵；同时给出高钾玻璃与铅钡玻璃的亚类划分、未知样品归类及3%随机扰动下的敏感性检验，并用灰色关联度比较不同类别化学成分关联差异。资源包仅含1个PDF文件，大小约3.55MB，结构紧凑，便于按问题章节查阅。已有928人学习，适合需要从数据预处理、特征选择到模型评估与解释系统理解该赛题的中高级数模参赛者。

1. 从一批风化玻璃说起：这道题真正难在哪

拿到数学建模 C 题这道古代玻璃制品的成分分析与鉴别，多数人第一反应是套一个分类模型，真正卡住人的是数据本身：每一类文物只有七到十五条有效样本，成分全是百分比、天然带着“和为一”的约束，还掺着风化带来的系统性偏移。方案要解决的就是在样本少、成分强相关、风化扰动未知的条件下，把四个问题一条线走完——先用风化系数把“风化到什么程度”变成可算的数，再用主成分分析压维度，用因子分析反推未风化成分，最后用灰色关联度看成分之间的关联。适合正在做数学建模课设、毕设，需要一份能照着跑通全流程的人。

2. 需求拆解与数据底账：三张表单怎么并成一张可算的表

2.1 四个问题各自要交付什么

这道题最容易犯的错，是把“分析”当成结论句写。四个小问真正要交的是四份可以摆在附录里的表，文字只是对表的解释。先把交付物定死，后面所有代码都围绕这几张表写。

交付物定成表之后，工作量立刻清楚了：问题一交付两张表，问题二交付三张，问题三交付两张，问题四交付一张排序表加一段差异描述。写论文时每一张表配两三段解释，正文自然就撑起来了，不会出现“方法写了一大堆、结果只有一句话”的空转。

2.2 三张表单的字段口径与合并方式

表单1 是文物档案，含采样点、纹饰、类型、颜色、表面是否风化；表单2 是化学成分检测数据，一行一个采样点、十几列成分百分比；表单3 结构与表单2 相同但没有类别标签，属于待鉴别的未知样本。三张表靠“采样点”关联，但采样点字段里混着“30 部位1”“42 未风化点1”这类后缀，必须先把纯编号抽出来才能做键。

原始数据里还有一个细节值得单独处理：表单2 只给了各成分的百分比，没有给合计列。自己补一列合计，一方面能发现录入缺失，另一方面能看出哪些样本的成分没有闭合到 100，这对后面判断风化程度很关键——严重风化的样品往往因为某些成分流失而合计偏低。

import pandas as pd import numpy as np info = pd.read_excel("附件.xlsx", sheet_name="表单1") # 文物档案 comp = pd.read_excel("附件.xlsx", sheet_name="表单2") # 成分检测 # P 列：各成分合计，用来检查百分比是否闭合（正常应接近 100） chem_cols = [c for c in comp.columns if c not in ("文物采样点", "表面风化")] comp["合计"] = comp[chem_cols].sum(axis=1) # Q 列：从采样点字段抽出纯编号，丢掉“部位1/未风化点”这类后缀 comp["编号"] = comp["文物采样点"].astype(str).str.extract(r"(\d+)").astype(int) # R~U 列：把表单1 的类型、风化、颜色、纹饰按编号挂回来 info["编号"] = info["文物采样点"].astype(str).str.extract(r"(\d+)").astype(int) merged = comp.merge( info[["编号", "类型", "表面风化", "颜色", "纹饰"]], on="编号", how="left", suffixes=("", "_档案") )

代码里三个动作对应三处血泪经验。合计列一定要在合并前算，合并后列名会带后缀，取列容易取错。编号抽取用正则而不是字符串切片，因为“30 部位1”和“42 未风化点1”的长度不一样，切片必然翻车。merge 之后要检查行数，同一编号在表单1 里如果有多条记录，一对多合并会让样本量凭空翻倍，后面所有统计都失真，merged.shape和comp.shape必须对齐。

数据探索这一步不用做得太花，盯三件事就够了：纹饰 B 的样品是不是全部风化、高钾和铅钡在风化比例上差多少、颜色和类型之间有没有明显耦合。原数据里纹饰 B 的玻璃全部是高钾且全部风化，纹饰 A 的高钾全部无风化，纹饰 C 的铅钡风化与无风化比约为 17:7，这几条事实直接支撑了后面“同类环境下铅钡更容易风化”的结论。

2.3 技术选型：为什么是主成分加因子分析加灰色关联度

技术选型必须对着样本量说话。四类样本的数量大致是铅钡无风化 15 条、高钾无风化 11 条、铅钡风化 15 条、高钾风化 7 条，任何带几十个参数的模型在这种量级上都是过拟合，跑出来的准确率没有意义。参数少的模型反而是负责的选择。

第二个理由是共线性。成分百分比之和恒为一，一种成分升高必然挤压其他成分，十几个变量之间存在严格的线性约束，直接丢进回归或者判别分析，系数会剧烈震荡。主成分分析把相关矩阵对角化，得到彼此正交的主成分，既降了维，也顺手解决了共线性。

第三，灰色关联度的适用前提正是“样本少、分布未知、信息不完全”，拿它来度量成分之间的关联程度，比硬套皮尔逊相关系数更站得住。问题四要的不是显著性，而是排序和类别之间的差异，灰色关联度给的正好是排序。

最后是聚类方法的选择。亚类划分只有七到十五条样本，最短距离法（single linkage）不依赖初始中心，结果完全由距离矩阵决定，可复现；换成效能更“现代”的 k-means，随机初始化换一次种子就换一套划分，答辩时说不清楚。样本量小的时候，可复现比先进重要得多。

3. 问题一：风化系数、显著性检验与未风化成分反推

3.1 用比值定义风化系数，把定性判断变成阈值判定

问题一最难的不是建模，是“风化”这个词本身没法直接算。原始数据只给了“风化/无风化”的标签，标签是采样时人工判断的，主观且不连续，没法用来做定量预测。所以第一步是自造一个连续指标。

思路是找一对变化方向相反的成分做比值。高钾玻璃风化后二氧化硅占比显著升高、助熔剂类成分显著降低；铅钡玻璃恰好相反，二氧化硅降低、氧化铅和氧化钡升高。方向相反，就不能共用一个公式，得按类型分别定义：

• 铅钡玻璃：W = (PbO + BaO) / SiO2，风化后分子变大、分母变小，W 升高
• 高钾玻璃：W = SiO2 / (K2O + CaO + MgO + Al2O3 + Fe2O3 + CuO)，风化后分子变大、分母变小，W 同样升高

两个公式形式不同但方向统一，都是“W 越大风化越重”，这样后面判定逻辑可以共用一套。

阈值不能拍脑袋，做法是把同类样品按 W 排序，看哪里出现跳变。铅钡-A 纹的数据在 0.879 和 1.3 之间有一个明显的断层，阈值定在 1.0 就能把两类干净分开；高钾玻璃在 7.23 和 12.41 之间断层更宽，阈值定 10.0。用跳变定阈值有一个额外好处：答辩被问到“1.0 哪来的”，你可以直接把排序表翻出来，指着那段空档说这里没有样本，回答是有据的。

def weathering_coef(row): sio2 = row["二氧化硅(SiO2)"] if pd.isna(sio2) or sio2 <= 1e-6: return np.nan if row["类型"] == "铅钡": # 铅钡玻璃：铅钡氧化物升高、硅降低，比值随风化升高 return (row["氧化铅(PbO)"] + row["氧化钡(BaO)"]) / sio2 if row["类型"] == "高钾": # 高钾玻璃：助熔剂流失、硅富集，用硅做分子 flux = row[["氧化钾(K2O)", "氧化钙(CaO)", "氧化镁(MgO)", "氧化铝(Al2O3)", "氧化铁(Fe2O3)", "氧化铜(CuO)"]].sum() return sio2 / flux if flux > 1e-6 else np.nan return np.nan merged["风化系数"] = merged.apply(weathering_coef, axis=1) def judge(row): if row["类型"] == "铅钡": return "风化" if row["风化系数"] > 1.0 else "无风化" if row["类型"] == "高钾": return "风化" if row["风化系数"] > 10.0 else "无风化" return np.nan merged["风化判定"] = merged.apply(judge, axis=1)

分母加1e-6的保护是必须的，高钾风化样品里助熔剂总量可能低到 1% 出头，除以接近零的数会直接炸出异常值。判定完之后一定要和表单1 的人工标签做一次交叉对比，原数据里有三个样本（编号 20、48、30 部位1）两者不一致，处理方式是以风化系数为准做修正，但要在论文里把这几个样本单列出来说明——评委最爱看的就是这种“我知道哪里对不上、并且给了理由”的细节。

3.2 相关性分析与卡方检验怎么落表

类型、纹饰、颜色、是否风化全是分类变量，用皮尔逊相关系数只能看个方向，真正定论要靠卡方检验。两步都要做：先算相关系数矩阵看哪几对变量有联动，再做卡方检验给出显著性。

从数据上看，纹饰与类型的相关系数为 -0.448、显著性 p 值在 0.001 量级；颜色与类型相关 0.554、p 值 0.000；表面风化与类型的相关系数只有 0.272，p 值 0.051，勉强踩在 10% 显著性的边上。卡方检验进一步印证：纹饰的卡方值 16.394、p < 0.001，颜色的卡方值 26.017、p = 0.001，表面风化的卡方值 3.861、p = 0.049。

这些数字的读法值得展开讲。表面风化的 p 值最小但卡方值也最小，说明“风化与类型有关”这个结论成立但关联很弱，效应量 Phi 只有 0.272，属于弱相关。真正强的是颜色，Phi 达到 0.707。写论文时把效应量一起放上去，比只报 p 值专业得多，也顺便堵住了“p 值小是不是因为样本多”这种追问——这道题样本才几十条，压根不存在这个问题，但把效应量摆出来显得你想过。

结论落成三句话就够了：同等纹饰条件下铅钡玻璃比高钾玻璃更容易风化；纹饰 B 代表的环境风化效应最强，连相对耐风化的高钾玻璃都被全部风化；高钾玻璃风化后二氧化硅占比显著升高、氧化钾显著降低，铅钡玻璃则相反。

3.3 因子分析反推未风化成分：负载矩阵求逆这条路

问题一真正的建模点在这里：给定一个已经风化的样品，怎么预测它风化前的成分。

思路是把风化过程看成一个线性混合过程。设 x 为风化后观测到的成分向量，μ 为均值向量，f 为未风化成分构成的公共因子向量，A 为负载矩阵，ε 为随机误差，则 x = μ + A·f + ε。负载矩阵 A 通过成分相关系数矩阵的主成分分解得到：取相关系数矩阵的特征值 λ 和对应特征向量 u，则 A 的第 j 列等于 λ_j 的平方根乘以 u_j。

关键一步在于 A 是方阵还是非方阵。取前 m 个主成分时 A 是 p×m 的，不能直接求逆，所以实际做法是先确定保留几个主成分使累计贡献率达到 97% 以上，再在这个维度上求 A 的逆，得到 f 关于 (x − μ) 的线性表达式，把风化样品的观测值代进去就得到未风化成分的预测值。以“铅钡玻璃-C 纹”为例，取 8 个主成分可保留 97% 以上的信息，得到的 8×8 转换系数矩阵代入后即可逐样本算出预测值。

这一步有两个坑必须提前处理。一是预测结果会出现负值，成分含量不可能是负数，处理方式是负值截断到 0 再按行归一化回 100%；二是截断后合计不等于 100，如果不归一化，后面所有区间比较都会偏。我一般会加一个校验：预测值与均值的偏离超过三个标准差的样本单独标记，回头人工看一眼，这类样本往往本身就是严重风化的离群点。

3.4 问题一的可复现流程

把上面三步串起来，问题一的执行顺序是固定的：合并三张表 → 算风化系数 → 排序定阈值 → 判定并与标签比对 → 卡方检验出关系表 → 按类型与纹饰分组 → 主成分分解求负载矩阵 → 求逆预测未风化成分 → 截断归一化 → 出预测表。中间任何一步换了顺序，结果都会飘。比如先判定再算系数，阈值就没有排序依据；先预测再截断，误差会顺着矩阵乘法放大。

4. 问题二三四：区间判别、亚类细分与灰色关联度

4.1 主成分降维与贡献率门限

问题二沿用了问题一的降维思路，但目的变了：问题一是为了求逆反推，问题二为了挑出“区分度最高”的几个成分。做法是对四类样本分别做一次主成分分析，看前几个主成分的累计贡献率能不能到 85% 以上，能到就说明这几个成分已经把主要信息带住了。

实测结果：铅钡无风化类，二氧化硅、氧化钠、氧化钾、氧化钙、氧化镁、氧化铝六项累计贡献率 88.89%；高钾无风化类，二氧化硅、氧化钠、氧化钾、氧化钙、氧化镁五项 88.89%；铅钡风化类五项 87.36%；高钾风化类仅二氧化硅、氧化钠、氧化钾三项就到了 95.41%。高钾风化类只用三个成分就够，这个结果本身就是一个结论——严重风化的高钾玻璃成分已经高度单一化，其余成分几乎被洗没了。

这里必须强调标准化。做 PCA 之前不标准化，二氧化硅 90 多的数值会压死个位数的其他成分，主成分几乎就等于二氧化硅本身。这不是调参能救的问题，是原理错误。

4.2 去掉极值造区间表

分类规律不能只写“以二氧化硅为主”，得给可执行的判据。做法是把每类样本每个入选成分的数据排序，去掉一个最大值和一个最小值，剩下的极值构成一个区间，落在这个区间内或者贴着区间边缘的样品就判为该类。

铅钡无风化类六个成分的区间依次是 [50.61, 69.71]、[0.8, 5.74]、[0.15, 0.32]、[0.38, 2.82]、[0.71, 1.49]、[1.44, 13.65]；高钾无风化类五个成分是 [59.81, 69.33]、[2.1, 2.86]、[7.37, 12.53]、[4.71, 8.23]、[0.52, 1.77]；铅钡风化类是 [4.61, 37.36]、[1.38, 2.22]、[0.14, 1.05]、[0.37, 4.49]、[0.47, 1.18]；高钾风化类三项是 [92.35, 95.02]、[0, 0]、[0.59, 1.01]。

去掉极值再取边界，本质是给区间留一点容差。不去的话，某类里只要有一个极端样本，区间就会被拉得很宽，导致所有未知样品都落进去，分类等于没做；取得太窄又会把正常样品挡在外面。掐头去尾是一个折中，论文里要写清楚去掉的是哪几条、为什么去。

from sklearn.decomposition import PCA def trimmed_interval(s, drop=1): """去掉两端各 drop 个极值后，返回剩余数据的上下界""" s = s.dropna().sort_values() core = s.iloc[drop:len(s) - drop] if len(s) > 2 * drop else s return core.min(), core.max() def pca_keep(df, cols, keep=0.85): """返回达到累计贡献率 keep 所需的主成分个数""" X = df[cols].dropna() Xs = (X - X.mean()) / X.std(ddof=0) # 必须标准化 pca = PCA().fit(Xs) return int(np.searchsorted(np.cumsum(pca.explained_variance_ratio_), keep) + 1)

trimmed_interval里的drop参数给 1 就够，样本少于四五条时不要再掐，否则区间会退化成一个点。pca_keep返回的 k 值用来在论文里论证“为什么只取前几个成分”，不能只写“取前三个”，要写“取前三个已达到 95.41% 累计贡献率”。

4.3 最短距离法做亚类细分

每个大类还要再分亚类。选哪一个成分做细分依据？看数据差异最大的那个——四类里二氧化硅的跨度最大，就用它。

聚类用最短距离法：初始每个样品自成一类，计算两两距离，找最小的那一对合并成新类，新类与其他类的距离取两类中最邻近样品的距离，重复直到合并到目标类数。铅钡无风化类聚出两个聚点 64.82 和 52.49，高钾无风化是 71.22 和 62.77，铅钡风化是 33.96 和 15.63，高钾风化是 94.66 和 92.57。两个聚点的中点就是分界，于是得到第一类和第二类的区间，比如铅钡无风化第一类 [50.61, 58.70)、第二类 [58.70, 69.71]，高钾风化第一类 [92.35, 93.62)、第二类 [93.62, 95.02]。

合理性用分布比例来证：把四类样本分别按这两个区间统计落点，如果第一类和第二类的样本数比例没有极端偏斜（比如 1:9），说明划分是有意义的，不是把一个自然整体硬切开。这一步的图用饼图或者分组柱状图都行，关键是数字要摆在正文里，不能只在图里。

4.4 敏感性分析怎么做才不会自相矛盾

敏感性分析的通用做法是给数据加扰动看结论稳不稳。这里加的是 ±3% 的随机扰动，理由是成分检测的仪器误差大致在这个量级，扰动幅度不能随便定，要能说出依据。

问题二的结果是：扰动后有三类数据的分类误差超过 20%，判定为“分类结果对扰动敏感”。问题三把表单3 代入问题二求出的区间，扰动 3% 后类别鉴定结果与原结果完全一致，判定为“不敏感”。

这两个结论看着打架，其实是两套判据：问题二衡量的是“落在某一亚类里的样本比例变了多少”，问题三衡量的是“最终判定的类别变没变”。前者是连续量的漂移，后者是离散标签的翻转。论文里必须把这个口径差异写清楚，否则评委会认为你自己都没搞明白。我的建议是在问题二里额外报一个“类别翻转率”，如果翻转率很低，就和问题三的结论自洽了；如果翻转率很高，那就老老实实承认模型对边界样本敏感，同时给出建议——边界附近的样品需要复检。

def perturb_rate(row, interval, cols, rounds=500, amp=0.03, seed=42): """对单个样品做 amp 幅度的均匀扰动，统计仍落在区间内的比例""" rng = np.random.default_rng(seed) hit = 0 for _ in range(rounds): x = row[cols].values * (1 + rng.uniform(-amp, amp, len(cols))) if all(interval[c][0] <= v <= interval[c][1] for c, v in zip(cols, x)): hit += 1 return hit / rounds

rounds给到 500 次，比例才稳定到小数点后两位；seed固定是为了可复现，答辩演示时不会因为换了随机数就得出一套新结论。amp作为参数暴露出来，方便在论文里做 1%、3%、5% 的对比曲线——敏感性分析做成一条曲线比给一个结论可信得多。

4.5 灰色关联度：排序与类别差异

问题四要对四类样本分别分析成分之间的关联关系。灰色关联度的步骤是固定的：先确定参考数列和比较数列，再做无量纲化，然后算关联系数，最后按样本求均值得到关联度并排序。

无量纲化用均值化处理，即每个数除以所在列的均值，这样既消除了百分比的量纲，又保留了成分之间的相对差异。关联系数公式里有一个分辨系数 ρ，取值在 0 到 1 之间，一般取 0.5，ρ 越小分辨力越强。参考数列原文用的是样品序号构成的序列，也可以换成二氧化硅的含量序列，两种做法排出来的首位都是二氧化硅，说明结论对参考数列的选择不敏感，这一点也可以写进论文当作模型稳健性的旁证。

排序结果：铅钡类为二氧化硅 > 氧化钙 > 氧化钾 > 氧化铝 > 氧化镁 > 氧化钠；高钾类为二氧化硅 > 氧化钠 > 氧化钾 > 氧化钙 > 氧化镁。两类玻璃的关联结构差别明显——铅钡类的第三位是氧化钾、氧化铝靠前，高钾类的第二位直接跳到氧化钠。差异分析就围绕这几处次序变动展开，不要泛泛地说“两类存在差异”。

def grey_analysis(df, ref=None, rho=0.5): """df: 每行一个样品，每列一种成分 ref: 参考数列名，默认取第一列（通常是二氧化硅） rho: 分辨系数，取 0.5，越小分辨力越强 """ X = df.astype(float).reset_index(drop=True) Xn = X / X.mean() # 均值化无量纲 r = Xn[ref].values.reshape(-1, 1) if ref else Xn.iloc[:, [0]].values diff = np.abs(Xn.values - r) dmin, dmax = diff.min(), diff.max() coef = (dmin + rho * dmax) / (diff + rho * dmax) # 关联系数矩阵 return pd.Series(coef.mean(axis=0), index=Xn.columns).sort_values(ascending=False)

返回的 Series 直接就是排好序的关联度表，四类各跑一次，四张表并排贴进论文，差异一目了然。注意diff的广播方向，参考数列要 reshape 成列向量才能和矩阵逐元素相减，这里错了不会报错，但算出来的是另一回事，属于典型的黑匣子式 bug。

5. 常见问题排查：五个最容易翻车的点

5.1 风化系数的方向搞反了

现象：高钾玻璃算出来的风化系数，风化样品反而比无风化样品小，判定结果和标签大面积冲突。 原因：直接把铅钡的公式套到高钾上。铅钡是铅钡氧化物升高、硅降低，比值升高代表风化；高钾是硅升高、助熔剂降低，如果还拿助熔剂做分子，方向就反了。 解决：按类型分别定义，高钾把二氧化硅放分子、助熔剂放分母。定义完先做一次方向校验——排序后看风化组的均值是否高于无风化组，不高就说明公式错了。

5.2 成分百分比不闭合却没人管

现象：某条记录的十四种成分加起来只有 85，或者超过 105，后面算出来的比值怎么调都对不上。 原因：原始数据存在缺失或者录入误差，没有先做合计校验就直接进了计算。 解决：合并前先补合计列，把偏离 100 超过阈值的样本单独列出来。缺失严重的直接剔除并在论文里说明剔除理由，轻微偏离的按比例归一化。这一列看着不起眼，是整条流水线的第一道闸门。

5.3 主成分分析前忘了标准化

现象：第一主成分的贡献率高得离谱，九十几，载荷几乎全部压在二氧化硅上，其他成分的系数接近零。 原因：没标准化，绝对数值大的变量直接主导了方差方向。 解决：(X - X.mean()) / X.std(ddof=0)一行补上。判断标准很简单：如果第一主成分贡献率超过 90% 而载荷只集中在一个变量上，八成是没标准化，而不是数据本身这么强。

5.4 区间取得太宽，所有未知样品都被判成同一类

现象：问题三把表单3 代进去，绝大部分样品都落在铅钡无风化类的区间里。 原因：区间用了全样本的最小最大值，某个极端样本把边界拉得很宽，几个类的区间大面积重叠。 解决：掐头去尾再取边界，同时给每个类做一次回代验证——用本类样本回代本类区间，命中率应该在 80% 以上，低于这个数说明区间构造有问题。

5.5 敏感性结论前后矛盾

现象：问题二写“模型对扰动敏感”，问题三写“模型鲁棒性较强”，两段话隔了两页，评委一眼就看出来。 原因：两问用的是两套判据，一个是比例漂移，一个是标签翻转，写的时候没交代口径。 解决：在敏感性分析开头先把判据定义清楚，是全量样本的类别翻转率，还是某一亚类的占比变化率。两问用同一套判据重算一遍，结论自然就一致了；如果重算后仍然不一致，那就把它当成一个发现写出来，说明亚类边界比大类边界更脆弱。

6. 验收与答辩：四问自查表和一页讲述顺序

交稿之前我一般会走一遍固定自查，对着表逐项打勾，缺一项就回去补。

答辩讲述顺序建议按“数据底账 → 自造指标 → 区间判据 → 关联结构”走，四分钟讲完。开场先说三张表单怎么并的、字段口径怎么统一的，这一步最能体现你动过手；接着讲风化系数为什么必须自己造，评分标准里“数据处理能力”这一项基本就拿到了；然后讲区间表的可解释性，强调它是从数据里长出来的而不是拍出来的；最后讲关联度排序和类别差异，收在具体次序上。

高频追问基本集中在三处，提前准备好答案：阈值 1.0 和 10.0 怎么来的——排序后看跳变，那段区间没有样本；转换矩阵求逆后出现负值怎么办——截断到 0 再归一化回 100%，并说明这样处理对总量的影响；扰动为什么取 3%——对应仪器误差量级，并附一张 1%/3%/5% 的对比曲线。

从那以后我每次交建模论文前，都会把区间表和判定阈值单独拉出来，用另一份脚本从头重算一遍，不看主程序的结果——因为自己写的代码自己最会骗自己，重算一遍才知道哪一步是硬凑的。希望帮到你。

本文还有配套的精品资源，点击获取