王雪莹 戴亨玮 张晓茹 张 喆 夏劲彪

（1、中国石油大学（北京）经济管理学院，北京 102249 2、西南大学计算机与信息科学学院软件学院，重庆 400700 3、桂林理工大学商学院，广西 桂林 541004 4、桂林理工大学信息科学与工程学院，广西 桂林 541004）

1 概述

物质存在的形式多种多样，固体、液体、气体、等离子体等等。我们通常把介于导体和绝缘体之间的材料称为半导体。与导体和绝缘体相比，半导体材料的发现是最晚的，直到20 世纪30 年代，当材料的提纯技术改进以后，半导体的存在才真正被学术界认可。无论从科技或是经济发展的角度来看，半导体的重要性都是非常巨大的。基于以上背景，本文将解决一下问题：

1.1 根据半导体制造工艺的实际数据集，完成数据的预处理。根据处理后的结果，研究分析各个因素（变量）之间的相关性，确定关键因素，并说明合理性。

1.2 半导体制造工艺的实际数据集列出了1567 个产品的观测数据，其中存在一些不合格产品，请根据之前的关键因素，建立模型[1]，利用这些因素来识别不合格产品。

2 数据处理

本文首先进行数据分析，发现该数据存在590 个变量和1567 个样本，并且发现部分变量的样本数据为常数，大量变量的样本数据都存在缺失值情况，因此我们针对以上两种情况对其进行处理。

本文发现大部分变量都存在缺失值，首先通过Excel 自带的COUNTIF 函数统计了每个变量缺失值的个数，然后我们决定将缺失值个数大于5 的变量删除，最终剩下了242 个变量。本文删除了缺失值大于5 个的变量，但是还在大量变量有着少数的缺失值，因此对缺失值的填充将是至关重要的。……