思路和程序
问题一
第一个：皮尔逊、方差分析等，注意：是两两之间关系。
第二个：分析文物样品表面有无风化化学成分含量的统计规律。 思路：可视化一下分布。
第三个：预测。其实这个数据比较少，我想挨个预测会不会好点，先把表单一和二合并，然后就有文物的四个特征作为输入，先预测sio2,然后把sio2的预测结果变成一致自变量，预测第一个化学成分…每一个都分别训练预测。
当然，你觉得麻烦的话，就直接一次性预测，但是这样输入变量比输出变量还少了。。结果糟糕就手动修改好一点（hh)。至于用什么算法，这个是个回归问题哈，不是分类就行了。
问题二
第一个：分类规律 。还是可视化分布，然后文字描述一个自然段就好。
第二个：亚分类。选一个好的聚类方法，得到能聚成多少累，就是多少个类别吧，选一个分类预测算法预测一下。后面说了，要保存聚类结果等，合理性就是描述你的方法更适合这个问题嘛。
第三个：敏感性。我觉得就是微调原来数据，调节后重新训练模型，看模型准确率变化程度吧。
问题三
基于问题二的类别来预测。换一个分类预测算法嘛，跟问题二一样就更没意思了。然后又敏感性分析，我不认为是对数据的扰动。
问题四
分类讨论分析。。。
需要的软件技术支持
Matlab(个人建议不要版本太老吧，2019+，我是安装的2019版本）
Python（官网下载吧，比较文档的版本建议3.8，当然即使你是最新版本也没关系，普通用户感受不到Python版本变化）
Jupyter（首先安装Anaconda，这个软件上面带有Jupyter,我自己如果要用python写代码的话，基本都是在这个上面写）
SPSS（这个嘛，也不是很必要，但是也有那么必要，我认为这个软件，队伍的人都应该掌握）
C题思路想法：
问题 1 对这些玻璃文物的表面风化与其玻璃类型、纹饰和颜色的关系进行分析；结合玻璃的类型，分析文物样品表面有无风化化学成分含量的统计规律，并根据风化点检测数据，预测其风化前的化学成分含量。
我们先拿到文中附件1中所给的数据进行处理分析，来做一个数据清洗工作，对题目所给数据进行简单的清洗检验，由于题目已经说明某些数据存在合理缺失项，因此可不对缺失值进行检测和处理。根据题目要求:将成分比例累加和介于85%~105%之间的数据视为有效数据，根据分析编号15和编号17的总成分小于85%因此在接下来的计算中不考虑编号15和编号17两组数据。并根据玻璃的类型，来得出文物是否被风化，根据题目的文是需要我们统计规律，我们可以对统计的数据做一个可视化的处理，这里推荐大家使用tebleua，课程比较简单，百度上面就可以直接搜索得到。
其次，我们还可以通过相关性分析，指标选择为风化相关性高低，来进一步确定风化化学成分。
第一小间:对这些玻璃文物的表面风化与其玻璃类型、纹饰和颜色的关系进行分析
根据表单1中的数据可以得到:文物编号、 纹饰、类型、颜色、表面风化四个变量均为定类变量因此，对定类变量之间的相关性(差异性)进行分析采用卡方检验。如果卡方值越大，二者偏差程度越大;反之，二者偏差越小:若两个值完全相等时，卡方值就为0，表明理论值完全符合。
卡方检验分析的结果显示，基于表面风化和纹饰，显著性P值为0.056*，水平上不呈现显著性，接受原假设，因此对于表面风化和纹饰数据不存在显著性差异。
卡方检验分析的结果显示，基于表面风化和类型，显著性P值为0.020**.水平上呈现显著性，拒绝原假设，因此对于表面风化和类型数据存在显著性差异。
卡方检验分析的结果显示，基于表面风化和颜色，显著性P值为0.507，水平上不呈现显著性，接受原假设，因此对于表面风化和颜色数据不存在显著性差异。
我们根据卡方检验结果，来得到是否存在显著性差异。
第二小问:结合玻璃的类型，分析文物样品表面有无凤化化学成分含量的统计规律
由表单中的数据可知，玻璃类型为高钾类与铅钡类，因此我们需要固定一个变量，分析其余变量的变化规律(纹饰、颜色、风化情况)
第三小问:根据风化点检测数据，预测其风化前的化学成分含量
第三问就是个可视化分析，后续的思路持续更新