本公开涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及电子设备。
背景技术：
用户行为分析是通过对互联网用户的行为数据进行统计、分析，从中发现用户使用产品的规律，并将这些规律与网站的营销策略、产品功能、运营策略相结合，发现营销、产品和运营中可能存在的问题，解决这些问题就能优化用户体验、实现更精细和精准的运营与营销，让产品获得更好的增长。目前的各种分析更多都停留在统计筛选和可视化上面，对于流量指标的根因分析鲜有涉及，更多依赖于人为的事件筛选和规律发现。本方案的基于机器学习算法，可以实时的分析异常流量指标区间的数据，自动化、智能化的给出异常流量的潜在影响因素，供决策参考。
现有用户行为分析方案中对于根因分析主要集中在利用统计工具如基尼系数等统计值来衡量不同的因素对于指标的影响程度。现有的用户行为分析系统更多的是对数据做清理和统计展示，对于指标如pv、uv等的异常波动等依赖于产品分析人员的人工审查和分析，分析结果的质量严重受限于分析人员的经验水平，很多潜在的影响因子可能受限于可观察数据而不能被发现。
技术实现要素：
有鉴于此，本公开实施例提供一种数据处理方法、装置及电子设备，以至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种数据处理方法，包括：
选择对异常数据和正常数据进行分类的预设规则，所述预设规则包括异常点、异常点范围、正常参照点及正常参照点范围；
基于所述预设规则，从数据仓库中获取训练数据集，所述训练数据集包括多个不同类型的数据集，所述不同类型的数据集大小在预设范围内，用以保证分析数据的时效性；
通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合；
对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因。
根据本公开实施例的一种具体实现方式，所述选择对异常数据和正常数据进行分类的预设规则，包括：
从预设的图形交互界面中选择目标筛选控件；
基于所述目标筛选控件，选择对异常数据和正常数据进行分类的预设规则。
根据本公开实施例的一种具体实现方式，所述基于所述目标筛选控件，选择对异常数据和正常数据进行分类的预设规则，包括：
基于所述图形交互界面中提供的目标筛选控件，在点、区间、跳跃多区间的维度进行时间范围的标记筛选，用以分别指定正常样本区间和异常样本区间。
根据本公开实施例的一种具体实现方式，所述基于所述预设规则，从数据仓库中获取训练数据集，包括：
获取所述图形交互界面中目标筛选控件设置的筛选动作；
将所述筛选动作转化为获取训练数据集的后端查询语句；
基于所述查询语句，在数据仓库中获取所述训练数据集。
根据本公开实施例的一种具体实现方式，所述基于所述查询语句，在数据仓库中获取所述训练数据集，包括：
对所述查询语句进行解析，以获得针对所述训练数据集的筛选条件；
基于所筛选条件，会从数据仓库取出给定范围的数据作为样本数据集；
基于所述样本数据集，形成所述训练数据集。
根据本公开实施例的一种具体实现方式，所述基于所述样本数据集，形成所述训练数据集，包括：
判断所述样本数据集的大小是否超过预设值；
若是，则对所述样本数据集进行采样处理；
对采样处理后的样本数据集里面的属性缺失项进行填充和归一化等处理，形成最终的训练数据集。
根据本公开实施例的一种具体实现方式，所述通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合，包括：
将所述训练数据集中标记为正常和异常的两部分数据会作为机器学习算法的正例样本和反例样本；
利用包含分类算法的所述训练模型对所述训练数据集进行分类学习；
基于所述训练模型得到的最佳划分路径和划分点对应的属性，形成所述根因集合。
根据本公开实施例的一种具体实现方式，所述对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因，包括：
获取所述根因集合中的所有根因属性；
基于预设的根因筛选指标，对获取到的所述根因集合中的所有根因属性进行筛选，以得到根因筛选结果；
基于所述根因筛选结果，确定最终根因。
第二方面，本公开实施例提供了一种数据处理装置，包括：
选择模块，用于选择对异常数据和正常数据进行分类的预设规则，所述预设规则包括异常点、异常点范围、正常参照点及正常参照点范围；
获取模块，用于基于所述预设规则，从数据仓库中获取训练数据集，所述训练数据集包括多个不同类型的数据集，所述不同类型的数据集大小在预设范围内，用以保证分析数据的时效性；
训练模块，用于通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合；
执行模块，用于对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的数据处理方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的数据处理方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的数据处理方法。
本公开实施例中的数据处理方案，包括选择对异常数据和正常数据进行分类的预设规则，所述预设规则包括异常点、异常点范围、正常参照点及正常参照点范围；基于所述预设规则，从数据仓库中获取训练数据集，所述训练数据集包括多个不同类型的数据集，所述不同类型的数据集大小在预设范围内，用以保证分析数据的时效性；通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合；对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因。通过本公开的处理方案，以范围内的实时正常异常数据作为分析样本，实时的分析出波动产生的根因集合，提高了数据处理的效率。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种数据处理方法的流程图；
图2为本公开实施例提供的一种数据处理方法的示意图；
图3为本公开实施例提供的另一种数据处理方法的流程图；
图4为本公开实施例提供的另一种数据处理方法的流程图；
图5为本公开实施例提供的一种数据处理装置的结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种数据处理方法。本实施例提供的数据处理方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、客户端等中。
参见图1，本公开实施例中的数据处理方法，可以包括如下步骤：
s101，选择对异常数据和正常数据进行分类的预设规则，所述预设规则包括异常点、异常点范围、正常参照点及正常参照点范围。
在进行数据处理之前，需要预先设置训练数据，通过设置训练数据，可以通过预先设置的训练模型对新增的数据是否处于异常进行实时监测。
在设置训练数据之前，需要从已有的数据中选择已经存在的异常数据和正常数据。异常数据为不符合预设规则的数据，正常数据为符合预设规则的数据。预设规则可以根据实际的需要进行灵活设置。
在选择训练数据的过程中，可以通过设置异常点、异常点范围、正常参照点及正常参照点范围的方式来设置预设规则。
s102，基于所述预设规则，从数据仓库中获取训练数据集，所述训练数据集包括多个不同类型的数据集，所述不同类型的数据集大小在预设范围内，用以保证分析数据的时效性。
在执行预设规则的过程中，可以通过前端的图形交互界面来提供分段筛选控件，以便于在点、区间、跳跃多区间的维度提供时间范围的标记筛选，分别指定正常样本区间和异常样本区间。筛选动作对应会由前端转换成查询语句给到后端。后端拿到筛选条件后会从数据仓库取出给定范围的数据作为样本，其中数据集超过限制大小则会做一次抽样保证样本集在特定范围。针对数据集里面的属性缺失等会做填充和归一化等处理，作为最终的训练用数据。
s103，通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合。
分别被标记为正常和异常的两部分数据会作为机器学习算法的正例和反例样本，作为输入供训练分类。可以选择预设的训练模型(例如，决策树算法或蒙特卡洛搜索树算法)来对这些数据进行分类学习。例如，通过决策树算法或蒙特卡洛搜索树算法，能够基于训练得到的分类器本身具有很好的路径划分特性，从根节点到叶子节点的路径就是一个根因筛选的过程，最终得到的训练器本身就蕴涵了根因集合在里面。最佳的划分路径和划分点对应的属性就是根因的最佳集合。训练器训练完成之后，对应的根因集合就得到了。
s104，对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因。
跟因集合会包含极少数的几个属性，在此基础上，通过设置预设指标，可以进一步验证审查，就能以很高的可靠性推导出最终的根因了。
通过上述实施例中的内容，能够基于机器学习算法，以范围内的实时正常异常数据作为分析样本，实时的分析出波动产生的根因集合，供分析师做参考决策，能极大的释放分析人员的精力，同时对于保证分析结果的质量提供了理论上的保证。
根据本公开实施例的一种具体实现方式，所述选择对异常数据和正常数据进行分类的预设规则，包括：从预设的图形交互界面中选择目标筛选控件；基于所述目标筛选控件，选择对异常数据和正常数据进行分类的预设规则。
根据本公开实施例的一种具体实现方式，所述基于所述目标筛选控件，选择对异常数据和正常数据进行分类的预设规则，包括：基于所述图形交互界面中提供的目标筛选控件，在点、区间、跳跃多区间的维度进行时间范围的标记筛选，用以分别指定正常样本区间和异常样本区间。
参见图2，根据本公开实施例的一种具体实现方式，所述基于所述预设规则，从数据仓库中获取训练数据集，包括：
s201，获取所述图形交互界面中目标筛选控件设置的筛选动作。
图形交互界面可以是定制化的交互界面，在图形交互界面中，设置有多个筛选控件(例如，筛选框)，用户可以通过这些筛选控件来选择相应的条件。为此，可以监控筛选控件中存在的筛选动作，通过该筛选动作，来确定用户对于不同筛选条件的参数设置。
s202，将所述筛选动作转化为获取训练数据集的后端查询语句。
通过获取筛选动作，可以获取筛选动作所对应的参数，并进一步的将一个或多个筛选动作对应的参数转化为能够在后端(例如，数据库中)进行数据查询的语句，从而为查找相应的训练数据集提供了支撑。
s203，基于所述查询语句，在数据仓库中获取所述训练数据集。
在实现步骤s203的过程中，根据本公开实施例的一种具体实现方式，所述基于所述查询语句，在数据仓库中获取所述训练数据集，包括：
对所述查询语句进行解析，以获得针对所述训练数据集的筛选条件；基于所筛选条件，会从数据仓库取出给定范围的数据作为样本数据集；基于所述样本数据集，形成所述训练数据集。
在实现步骤s203的过程中，根据本公开实施例的另一种具体实现方式，所述基于所述样本数据集，形成所述训练数据集，包括：判断所述样本数据集的大小是否超过预设值；若是，则对所述样本数据集进行采样处理；对采样处理后的样本数据集里面的属性缺失项进行填充和归一化等处理，形成最终的训练数据集。通过对数据进行缺失项填充，能够保证最终的训练数据集的数据完整。通过对数据进行归一化处理，能够保证最终的数据在一个统一的归一化区间。
参见图3，根据本公开实施例的一种具体实现方式，所述通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合，包括：
s301，将所述训练数据集中标记为正常和异常的两部分数据会作为机器学习算法的正例样本和反例样本。
通过设置正例样本和反例样本，能够从正反两个方面对训练模型进行训练，提高训练模型对于正常数据和异常数据的判别能力。
s302，利用包含分类算法的所述训练模型对所述训练数据集进行分类学习。
分类算法可以采用多种类型的分类算法，例如，分类算法可以是决策树算法或蒙特卡洛搜索树算法，通过决策树算法或蒙特卡洛搜索树算法，能够基于训练得到的分类器本身具有很好的路径划分特性，从根节点到叶子节点的路径就是一个根因筛选的过程.
s303，基于所述训练模型得到的最佳划分路径和划分点对应的属性，形成所述根因集合。
在训练模型完成之后，最终得到的训练器本身就蕴涵了根因集合在里面。最佳的划分路径和划分点对应的属性就是根因的最佳集合。
通过上述实施方式的内容，能够通过训练学习的方式得到根因集合。
参见图4，根据本公开实施例的一种具体实现方式，所述对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因，包括：
s401，获取所述根因集合中的所有根因属性；
s402，基于预设的根因筛选指标，对获取到的所述根因集合中的所有根因属性进行筛选，以得到根因筛选结果。
s403，基于所述根因筛选结果，确定最终根因。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种数据处理装置50，包括：
选择模块501，用于选择对异常数据和正常数据进行分类的预设规则，所述预设规则包括异常点、异常点范围、正常参照点及正常参照点范围；
获取模块502，用于基于所述预设规则，从数据仓库中获取训练数据集，所述训练数据集包括多个不同类型的数据集，所述不同类型的数据集大小在预设范围内，用以保证分析数据的时效性；
训练模块503，用于通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合；
执行模块504，用于对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因。
本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的数据处理方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的数据处理方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的数据处理方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
1.一种数据处理方法，其特征在于，包括：
选择对异常数据和正常数据进行分类的预设规则，所述预设规则包括异常点、异常点范围、正常参照点及正常参照点范围；
基于所述预设规则，从数据仓库中获取训练数据集，所述训练数据集包括多个不同类型的数据集，所述不同类型的数据集大小在预设范围内，用以保证分析数据的时效性；
通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合；
对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因。
2.根据权利要求1所述的方法，其特征在于，所述选择对异常数据和正常数据进行分类的预设规则，包括：
从预设的图形交互界面中选择目标筛选控件；
基于所述目标筛选控件，选择对异常数据和正常数据进行分类的预设规则。
3.根据权利要求2所述的方法，其特征在于，所述基于所述目标筛选控件，选择对异常数据和正常数据进行分类的预设规则，包括：
基于所述图形交互界面中提供的目标筛选控件，在点、区间、跳跃多区间的维度进行时间范围的标记筛选，用以分别指定正常样本区间和异常样本区间。
4.根据权利要求2所述的方法，其特征在于，所述基于所述预设规则，从数据仓库中获取训练数据集，包括：
获取所述图形交互界面中目标筛选控件设置的筛选动作；
将所述筛选动作转化为获取训练数据集的后端查询语句；
基于所述查询语句，在数据仓库中获取所述训练数据集。
5.根据权利要求4所述的方法，其特征在于，所述基于所述查询语句，在数据仓库中获取所述训练数据集，包括：
对所述查询语句进行解析，以获得针对所述训练数据集的筛选条件；
基于所筛选条件，会从数据仓库取出给定范围的数据作为样本数据集；
基于所述样本数据集，形成所述训练数据集。
6.根据权利要求5所述的方法，其特征在于，所述基于所述样本数据集，形成所述训练数据集，包括：
判断所述样本数据集的大小是否超过预设值；
若是，则对所述样本数据集进行采样处理；
对采样处理后的样本数据集里面的属性缺失项进行填充和归一化等处理，形成最终的训练数据集。
7.根据权利要求1所述的方法，其特征在于，所述通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合，包括：
将所述训练数据集中标记为正常和异常的两部分数据会作为机器学习算法的正例样本和反例样本；
利用包含分类算法的所述训练模型对所述训练数据集进行分类学习；
基于所述训练模型得到的最佳划分路径和划分点对应的属性，形成所述根因集合。
8.根据权利要求1所述的方法，其特征在于，所述对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因，包括：
获取所述根因集合中的所有根因属性；
基于预设的根因筛选指标，对获取到的所述根因集合中的所有根因属性进行筛选，以得到根因筛选结果；
基于所述根因筛选结果，确定最终根因。
9.一种数据处理装置，其特征在于，包括：
选择模块，用于选择对异常数据和正常数据进行分类的预设规则，所述预设规则包括异常点、异常点范围、正常参照点及正常参照点范围；
获取模块，用于基于所述预设规则，从数据仓库中获取训练数据集，所述训练数据集包括多个不同类型的数据集，所述不同类型的数据集大小在预设范围内，用以保证分析数据的时效性；
训练模块，用于通过预设的训练模型，对所述训练数据集进行实时训练，以得到根因集合；
执行模块，用于对所述根因集合中的数据进行处理，用以按照预设指标筛选出最终根因。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述利要求1-8中任一项所述的数据处理方法。
11.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述利要求1-8中任一项所述的数据处理方法。
技术总结