数据挖掘的数据包括很多历史数据，数据会被提取到数据仓库里，而数据挖掘的用户都是终端用户，即使极少数人不具备编程能力，运用数据分析和其他查询工具也可以迅速获得答案

非常好的问题。事实上，数据挖掘的主要目的是利用过去的数据来制定决策，发现模式和趋势，预测未来结果，并获得商业价值。数据挖掘的用户包括从商务人员到数据科学家的各种人群。对于那些不具备编程能力的终端用户，现代数据挖掘工具及其用户友好的界面可以提供直观和易于理解的方式来查询和分析数据。这些工具可以自动进行数据清洗、转换和可视化，使得终端用户能够轻松地进行数据分析。同时，这些工具通常使用类似于 SQL 的查询语言，使得终端用户可以使用自己熟悉的查询语言，从而提高查询效率和准确性。

相关问题

Spark Streaming是基于历史数据的数据挖掘

不完全正确。Spark Streaming 是一个用于实时数据处理和分析的流处理框架，它可以接收实时数据流，并将其分成小的批次进行处理。虽然可以对历史数据进行分析，但是它更强调实时数据的处理和分析，而不是历史数据的挖掘。历史数据的挖掘更倾向于使用批处理框架，例如 Apache Hadoop 中的 MapReduce。

数据挖掘根据marketing.csv数据提取出有用特征，做数据探索和数据挖掘

好的，针对这个问题，我可以给出一些思路和方法。

首先，对于数据探索和数据挖掘，我们需要对数据进行一些预处理和清洗工作。具体而言，可以考虑以下几个步骤：

1. 数据清洗：查看数据中是否存在缺失值、异常值、重复值等情况，如果存在，需要进行相应的处理，比如删除或填充缺失值，删除重复值等。

2. 特征选择：根据数据的特点和问题的需求，筛选出最具代表性和相关性的特征。可以使用一些常见的特征选择方法，如相关系数分析、卡方检验、方差分析等。也可以使用一些高级的特征选择算法，如Lasso、Ridge、Elastic Net等。

3. 特征转换：对于一些非数值型的特征，需要进行编码或转换，以便于算法的处理。比如可以使用独热编码、标签编码、二进制编码等方法。

4. 数据可视化：对于数据的可视化，可以使用一些图表，如直方图、散点图、箱线图等，以便于观察数据的分布情况、异常情况等。

接下来，就可以使用一些常见的数据挖掘算法对数据进行分析和建模。比如可以使用聚类分析、关联规则挖掘、决策树、随机森林等算法。

最后，需要对模型的结果进行评估和优化。可以使用一些常见的评估指标，如准确率、召回率、F1值等。同时，也可以使用一些优化方法，如交叉验证、网格搜索等，来优化模型的性能。

以上是数据挖掘根据marketing.csv数据提取出有用特征，做数据探索和数据挖掘的一些思路和方法，希望能对您有所帮助。