下载Titanic数据及处理数据的缺失值（使用两种方式处理数据的缺失值），对数值型数据进行规范化然后计算两组数据的相异矩阵（包括符号型属性，数值型属性之间）然后计算两个属性之间的相关性（包括符号型属性，数值型属性之间）

好的，我将提供Python代码来解决您的问题。首先，我们需要下载Titanic数据集。您可以使用以下代码来从Kaggle下载数据集：

!pip install kaggle
!mkdir ~/.kaggle
import json
token = {"username":"your_username","key":"your_key"}
with open('/root/.kaggle/kaggle.json', 'w') as file:
    json.dump(token, file)
!chmod 600 ~/.kaggle/kaggle.json
!kaggle competitions download -c titanic

请注意，您需要将“your_username”和“your_key”替换为您在Kaggle上的用户名和API密钥。

接下来，我们可以使用以下代码来读取数据集并处理缺失值：

import pandas as pd
import numpy as np

# 读取训练集和测试集
train = pd.read_csv('train.csv')
test = pd.read_csv('test.csv')

# 处理缺失值
train['Age'].fillna(train['Age'].median(), inplace=True)
train['Embarked'].fillna(train['Embarked'].mode()[0], inplace=True)

test['Age'].fillna(test['Age'].median(), inplace=True)
test['Fare'].fillna(test['Fare'].median(), inplace=True)

这里我们使用了两种处理缺失值的方法，即用中位数填充数值型特征的缺失值，用众数填充符号型特征的缺失值。

接下来，我们可以对数值型数据进行规范化。这里我们使用MinMaxScaler来进行规范化：

from sklearn.preprocessing import MinMaxScaler

# 对数值型特征进行规范化
scaler = MinMaxScaler()
train[['Age', 'Fare']] = scaler.fit_transform(train[['Age', 'Fare']])
test[['Age', 'Fare']] = scaler.transform(test[['Age', 'Fare']])

现在，我们可以计算两组数据的相异矩阵。这里我们使用pandas的crosstab函数来计算符号型属性之间的相异矩阵，使用numpy的corrcoef函数来计算数值型属性之间的相异矩阵：

# 计算符号型属性之间的相异矩阵
symbol_diff = pd.crosstab(train['Sex'], train['Embarked'])

# 计算数值型属性之间的相异矩阵
numeric_diff = np.corrcoef(train[['Age', 'Fare']].T)

最后，我们可以计算两个属性之间的相关性。这里我们使用pandas的corr函数来计算数值型属性之间的相关性，使用卡方检验来计算符号型属性与数值型属性之间的相关性：

from scipy.stats import chi2_contingency

# 计算数值型属性之间的相关性
numeric_corr = train[['Age', 'Fare']].corr()

# 计算符号型属性与数值型属性之间的相关性
sex_embarked = pd.crosstab(train['Sex'], train['Embarked'])
chi2, pval, dof, expected = chi2_contingency(sex_embarked)

这样，我们就完成了对Titanic数据集的处理，并计算了相异矩阵和相关性。