本勘误表旨在修正《CDA二级教材（第4版）》印刷中出现的各类错误，建议读者在阅读教材时，对照本表对相关内容进行标注和更正。后续若发现新的错误，我们将及时更新勘误表并发布。

本次勘误针对2025年7月第4版，2025年7月第2次印刷

序号	勘误位置	原内容	修正内容
1	P3,p4		"P3，“探索（Discover）阶段”改成“探查（Discover）阶段”； "P4，图1-3，左下角，“探索”改成“探查
2	P9		"(4)"修改为“(3)"
3	P53		表达式修改为"DF[DF.col.str.contains(‘^M’)]"
4	P57		"100"修改为"1000"
5	P113		"in1d"修改为"isin"
6	P129		修改为“AvgIncome”
7	P137		修改为“第一种是百分位秩。百分位秩就是把变量从小到大排列，然后依次赋予序列号，最后用序列号除以总的样本量再乘以100，值域为 ［0，100］。”
8	P179,P180		修改为“函数dropna前加“.””
9	P185		将代码修改为“print("chisq=%6.4f\np-value=%6.4f\ndof=%d\nexpected_freq=%s” %stats.chi2_contingency(cross_taable.iloc[:2,:2]),输出为：chisq=2.7098，p-value=0.0997 dof=1 expected_freq=[[4149.15422886 1030.84577114] [358.84577114 89.15422886]]] 卡方值为：2.7098，P值为0.0997
10	P221		文字修改为：可以看到，使用summary可以查看模型的一些信息。包括第一部分模型基本信息，Converged显示为False，这里意味着模型没有收敛，可能的原因有：多重共线性、样本量不足或变量过多、迭代次数不足等。第二部分是模型的参数估计及检验，从检验结果来看（假设Converged为True），连续型变量incomeCode和nrProm是不显著的。对于不显著变量是删除还是保留，仍然要结合对业务的理解。所以说，业务专家在一个商业数据挖掘项目当中是很有必要的。分类变量curPlan和avgplan标准误极大，P值为0这说明这些分类变量中的某些类别可能只有极少数的样本，或者完全对应某一种结果。对于上述这种情况先尝试删除这两个变量的其中一个，比如删除avgplan。然后检查保留下来的另一个变量(curPlan)各类别的分布情况，确保没有某个类别近似都是常数。然后重跑一次逻辑回归。
11	P228		特异度(Specificity/True Negative Rate)
12	P229		特异度
13	P243		分别修改为：得分改为1、2、3、4、5；20天的R指标打为1分，小于3天的打5分 。
14	P250		越大，表明群之间差异越大，聚类效果越好。
15	P256		data = preprocessing.scale(data) 修改为“data = preprocessing.scale(model_data) ”。
16	P257,P264		“获取因子得分”修改为“获取因子权重”。
17	P258		“scaler_model_data”修改为“data”。
18	P259		“dismat=sch.distance.pdist(citi10_fa[["Gross","Avg"]],metric='euclidean')”修改为“dismat=sch.distance.pdist(fa_scores[["Gross","Avg"]],metric='euclidean')”。
19	P269		改为：决策树可以分为基于熵增益的ID3决策树和基于熵增益率的C4.5决策树

若您在使用教材过程中，发现了其他错误或有任何疑问，欢迎通过以下方式与我们联系：

发送电子邮件至：exam@cdaglobal.com，邮件主题请务必注明‘《CDA二级教材（第4版）》错误反馈’，并在邮件正文中详细描述错误位置、原内容及您认为正确的内容。