将下面python代码转为MATLAB格式import pandas as pd import numpy as np # 假设数据存储在名为 data.csv 的文件中 data = pd.read_excel("合并数据.xlsx") # 删除质量等级列，因为它是分类变量，不适用于线性插值 data = data.drop(columns=["质量等级"]) # 检查缺失值的情况 print("缺失值统计：") print(data.isnull().sum()) # 使用线性插值填充缺失值 data.interpolate(method='linear', inplace=True) # 再次检查缺失值的情况 print("\n填充缺失值后的统计：") print(data.isnull().sum()) # 对数据进行异常值检测和处理 def detect_outliers(data, columns, threshold=1.5): for column in columns: q1 = data[column].quantile(0.25) q3 = data[column].quantile(0.75) iqr = q3 - q1 lower_bound = q1 - threshold * iqr upper_bound = q3 + threshold * iqr outliers = data[(data[column] < lower_bound) | (data[column] > upper_bound)] print(f"{column} 异常值数量：{len(outliers)}") # 将异常值替换为缺失值 data[column] = data[column].apply(lambda x: np.nan if (x < lower_bound) or (x > upper_bound) else x) # 检测并处理异常值 numeric_columns = ['AQI', 'PM10', 'O3', 'SO2', 'PM2.5', 'NO2', 'CO', 'V13305', 'V10004_700', 'V11291_700', 'V12001_700', 'V13003_700'] detect_outliers(data, numeric_columns) # 使用线性插值填充处理后的异常值（现已变为缺失值） data.interpolate(method='linear', inplace=True) # 将预处理后的数据保存到新的 CSV 文件 data.to_csv("preprocessed_data.csv", index=False)

import matlab.io.*;

% 假设数据存储在名为 data.xlsx 的文件中
data = readtable('合并数据.xlsx');

% 删除质量等级列，因为它是分类变量，不适用于线性插值
data = removevars(data, {'质量等级'});

% 检查缺失值的情况
disp('缺失值统计：');
disp(sum(ismissing(data)));

% 使用线性插值填充缺失值
data{:,:} = fillmissing(data{:,:}, 'linear');

% 再次检查缺失值的情况
disp('填充缺失值后的统计：');
disp(sum(ismissing(data)));

% 对数据进行异常值检测和处理
function detect_outliers(data, columns, threshold)
for i = 1:length(columns)
column = columns{i};
q1 = quantile(data{:,column}, 0.25);
q3 = quantile(data{:,column}, 0.75);
iqr = q3 - q1;
lower_bound = q1 - threshold * iqr;
upper_bound = q3 + threshold * iqr;

outliers = data((data{:,column} < lower_bound) | (data{:,column} > upper_bound), :);
fprintf('%s 异常值数量：%d\n', column, height(outliers));

% 将异常值替换为缺失值
data{:,column} = arrayfun(@(x) NaN if (x < lower_bound) || (x > upper_bound) else x, data{:,column});
end
end

% 检测并处理异常值
numeric_columns = {'AQI', 'PM10', 'O3', 'SO2', 'PM2.5', 'NO2', 'CO', 'V13305', 'V10004_700', 'V11291_700', 'V12001_700', 'V13003_700'};
detect_outliers(data, numeric_columns, 1.5);

% 使用线性插值填充处理后的异常值（现已变为缺失值）
data{:,:} = fillmissing(data{:,:}, 'linear');

% 将预处理后的数据保存到新的 CSV 文件
writetable(data, 'preprocessed_data.csv', 'WriteRowNames', true);