一，讀取資料：

主要使用pandas 讀取，以後考慮使用其他方法（libsvm等）

二，獲取訓練集和測試集：

這一步主要是劃分資料集，drop()掉訓練集裡的預測那一列

三，處理缺失值：

可以使用fillna(value,inplace)來把缺失值補全

四：送入網路之前的處理：

1；分類資訊的處理：

主要使用Keras的Tokenizer方法進行處理：1，使用Tokenizer類對訓練集和測試集中的每一類進行詞統計（方便embadding層），生成文件詞典，以支援基於文件位序生成文字的向量表示。其中時間資料需要用pandas進行特別的處理，數值資料需要轉化為數值型別。

2，連續型變數的處理：

如果不是數值型需要轉化一下，如果資料的分佈很廣不便於處理可以使用np.log()進行處理，使其分佈在一個較小區間內，對於其中的缺失值使用-1來填充。

3，文字特徵：和分類特徵不同的點在於文字資訊要使用pad_sequences(maxlen)用0來補足。便於後續送入nlp網路

4，分別計算各種特徵的長度

5,   劃分訓練和驗證集：獲取取樣的索引，利用索引分別為分類數值（一塊兒處理，如果分開處理需要單獨分），文字資訊劃分訓練集和測試集。

五，建立模型

六，訓練

七，測試和視覺化

八，調整引數