高分求助：关于计算用户平均年龄及分段年龄问题

zxp0571 2003-07-04 03:07:12

现在数据库中有一个字段为身份证（文本，18），另外还有一个字段出生年份（数字）
身份证字段为新加，只有部分用户有此记录，老会员出生年份均有记录
希望实现通过身份证字段中截取出生年份，并以此为依据进行平均年龄和分段年龄统计分析。
没有身份证记录的用出生年份字段记录，两者均没有的算为未知用户，不作为计算平均年龄的基数

这样一个问题如何解决

...全文

342 5 打赏收藏举报

写回复

5 条回复

切换为时间正序

请发表友善的回复…

发表回复

zxp0571 2003-07-05

打赏
举报

回复

age=datediff("yyyy",yee,year(date))
怎么所有数值是 6
yee为取出的出生年份

debug2003 2003-07-04

打赏
举报

回复

你只取年龄出来做个判断就可以了
我是这样认为的实际情况看你自己

zxp0571 2003-07-04

打赏
举报

回复

你说的是不是SQL server
这个数据库是ACCESS

我很菜
这里涉及的一个关键问题
怎么用当前年份减去身份证的年份得到年龄
再判断年龄分段和求平均年龄
其实这里的关键问题是类型转换
字符到数字
year(date)到底是什么型的？

享受人生-快乐成长 2003-07-04

打赏
举报

回复

自己写些代码了可以用查询分析器调试啊

zxp0571 2003-07-04

打赏
举报

回复

数据库为ACCESS

泰坦尼克生存预测（Titanic Survival Prediction）作为经典小样本、高缺失、多类型特征混合的建模范式，本质是真实业务中模型性能瓶颈识别与归因的低成本沙盒。其核心挑战在于数据质量偏差、特征语义模糊与评估指标失真——例如年龄缺失非随机，而是低社会地位的代理变量；姓名称谓（Title）和姓氏（Surname）隐含强社会结构信息。通过可解释性强的LightGBM、基于业务逻辑的分组插补、语义原子化特征工程及SHAP归因分析，可系统性突破准确率天花板，并将模型转化为可诊断、可迭代、可行动的业务洞

机器学习模型上线后失效，往往并非算法缺陷，而是系统集成与运行时保障缺失所致。本文围绕生产环境中模型服务的可靠性构建，深入解析数据契约、时序一致性、失败传播控制等核心原理；强调‘数学正确’不等于‘系统可靠’，需通过特征新鲜度校验、多级降级策略、幂等性设计与漂移检测机制，实现从单点推理到端到端可信赖决策的跃迁。内容覆盖金融风控、电商推荐等高要求场景下的延迟预算管理、热加载实践与分层监控体系，为构建具备可观测性、可恢复性与业务语义鲁棒性的ML系统提供工程落地方案。

交叉销售是企业提升客户终身价值的核心策略，其本质是在已有客户关系基础上推荐关联产品。在保险行业，健康险客户向车险的转化具有高信任、低获客成本的优势，但需解决精准识别、概率校准与业务可解释三大挑战。本文基于真实保险结构化数据，采用Histogram-Based Gradient Boosting（HGBM）构建轻量高鲁棒模型，并结合K-Means聚类实现客户分群；通过Platt Scaling校准预测概率，确保营销决策可信；最终依托Streamlit Cloud完成零运维部署，让业务人员无需代码即可上传数据、

机器学习落地常陷入‘模型跑通却无法交付’的困境，核心在于缺乏可复现、可解释、可审计的基础流程。回归（Regression）和分类（Classification）作为监督学习两大基本范式，其Pipeline设计必须优先保障数据校验、特征可追溯、评估指标业务对齐等工程底线。Basic Pipeline并非简化版教程，而是剔除AutoML黑箱、强制人工决策点、隔离任务类型、固化随机种子与版本管理的生产就绪框架。它支撑医疗预测、电商预警、设备故障诊断等真实场景，让AI从模糊概念转化为‘第1步读数据、第2步查分布、第

当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。

28,402

社区成员

356,940

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章