写一段代码 数据预处理要求1.下载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 2.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） 3.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）

这里提供基于 Python 的代码实现：

import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from scipy.spatial.distance import pdist
from scipy.stats import chi2_contingency

# 读取数据
data = pd.read_csv('data.csv')

# 缺失值处理方法1：使用均值填充
imp_mean = SimpleImputer(strategy='mean')
data_filled_mean = pd.DataFrame(imp_mean.fit_transform(data), columns=data.columns)

# 缺失值处理方法2：使用中位数填充
imp_median = SimpleImputer(strategy='median')
data_filled_median = pd.DataFrame(imp_median.fit_transform(data), columns=data.columns)

# 数值型数据规范化
scaler = StandardScaler()
data_filled_mean[['num_col1', 'num_col2']] = scaler.fit_transform(data_filled_mean[['num_col1', 'num_col2']])
data_filled_median[['num_col1', 'num_col2']] = scaler.fit_transform(data_filled_median[['num_col1', 'num_col2']])

# 计算相异矩阵
dist_mean = pdist(data_filled_mean, metric='hamming')
dist_median = pdist(data_filled_median, metric='euclidean')

# 计算属性相关性
corr_num = data_filled_mean[['num_col1', 'num_col2']].corr(method='pearson')
corr_sym = chi2_contingency(pd.crosstab(data_filled_mean['sym_col1'], data_filled_mean['sym_col2']))[1]

其中，`data.csv` 为数据文件，包含数值型属性 `num_col1` 和 `num_col2`，以及符号型属性 `sym_col1` 和 `sym_col2`。代码中使用了两种方法处理缺失值：均值和中位数填充。对数值型数据进行了规范化。使用 `pdist` 函数计算了两组数据的相异矩阵，使用 `chi2_contingency` 函数计算了两个符号型属性之间的相关性。