python采用数据相关性计算方法，对glass.csv数据集的不同属性之间的相关性进行计算。对于相关性超过阈值的属性，采用数据预处理技术对重复记录进行处理。

好的，这个任务可以分为以下几个步骤：

1. 导入需要的库和数据集

import pandas as pd
import numpy as np

# 导入glass.csv数据集
data = pd.read_csv("glass.csv")

2. 计算不同属性之间的相关性

corr_matrix = data.corr()

这里使用`corr()`方法来计算相关性矩阵，得到一个$n\times n$的矩阵，其中$n$为数据集中属性的个数。

3. 设定相关性的阈值，找出相关性超过阈值的属性

threshold = 0.8
corr_list = []
for i in range(len(corr_matrix)):
    for j in range(i):
        if abs(corr_matrix.iloc[i, j]) > threshold:
            corr_list.append((corr_matrix.columns[i], corr_matrix.columns[j], corr_matrix.iloc[i, j]))

这里设定阈值为0.8，遍历相关性矩阵，找出绝对值大于0.8的相关性，将其存储在`corr_list`中，每个元素是一个元组，表示两个相关的属性和它们之间的相关系数。

4. 对重复记录进行处理

使用数据预处理技术来处理重复记录，这里可以使用`drop_duplicates()`方法来删除重复记录，该方法会保留第一个出现的记录，将其余的记录删除。

data.drop_duplicates(inplace=True)

这里使用了`inplace=True`来直接修改原始数据集。

完整代码如下：

import pandas as pd
import numpy as np

# 导入glass.csv数据集
data = pd.read_csv("glass.csv")

# 计算不同属性之间的相关性
corr_matrix = data.corr()

# 设定相关性的阈值，找出相关性超过阈值的属性
threshold = 0.8
corr_list = []
for i in range(len(corr_matrix)):
    for j in range(i):
        if abs(corr_matrix.iloc[i, j]) > threshold:
            corr_list.append((corr_matrix.columns[i], corr_matrix.columns[j], corr_matrix.iloc[i, j]))

# 对重复记录进行处理
data.drop_duplicates(inplace=True)