软件度量是对软件开发项目、过程及其产品进行数据定义、收集以及分析的持续性定量化过程，目的在于对此加以理解、预测、*估、控制和改善，从而保证软件开发中的高效率、低成本、高质量[1]。但是，得到正确的度量只是测量程序的一部分。软件质量是与所收集和分析的数据质量密切相关的，数据清洗过程的目的就是要解决“脏数据”的问题。数据清洗是指去除或修补源数据中的不完整、不一致、含噪声的数据。在源数据中，可能由于疏忽、懒惰，甚至为了保密使系统设计人员无法得到某些数据项的数据[2]。根据决策系统中“garbage in garbage out”(如果输入的分析数据是垃圾则输出的分析结果也将是垃圾)原理，必须处理这些噪声数据。去掉噪声平滑数据的技术主要有分箱(binning)、聚类(clustering)、回归(regression)等[3]。本文在回归分析的基础上，加入了盒形图进行数据过滤，从而得出一条线性回归直线，使模式或者关系变得更加明显，从而用这些模式和关系对测量的属性作出判断。

1 盒形图和回归分析简介

1.1 盒形图

　　该方法可以描述数据集取值范围的情况，展示数据主要*的区域，发现离群数据可能的位置，以便于对离群数据进行处理。盒形图显示一个变量的信息，如对相同CMM等级的不同项目完成每个FP的工作量分析，根据中位数m、上四分位数u、下四分位数l、盒长d、和尾(tail)来分析。

　　中位数是在数据集中排列居中的项。也就是说，如果中位数取值为m，则数据集中有一半的值大于m，一半的值小于m。将所有数值按大小顺序排列并分成四等份，处于三个分割点位置的得分就是四分位数。的四分位数称为下四分位数l，所有数值中，有四分之一小于下四分位数，四分之三大于下四分位数。中点位置的四分位数就是中位数。的四分位数称为上四分位数u，所有数值中，有四分之三小于上四分位数，四分之一大于上四分位数。也有叫第25百分位数、第75百分位数的。将上四分位数和下四分位数的距离定义为盒长d，因此，d=u-l。接下来定义分布的尾(tail)。理论上，上尾值点为u+1.5d，下尾值为u-1.5d，这些值必须进行舍位处理，以接近真实数据，位于上尾和下尾之外的值称为离群值。

1.2 回归分析方法

　　回归分析方法是研究要素之间具体数量关系的强有力的工具，运用这种方法能够建立反映要素之间具体的数量关系的数学模型，即回归模型。线性回归技术的基础就是散点图。将每个属性对表示为一个数据点(x，y)，然后用回归技术计算出能够地拟合这些点的直线。目标是将属性y(因变量)根据属性x(自变量)表示为等式：y=a+bx。

　　线性回归的理论是从每个点垂直向上或向下画一条线段到趋势直线，表示从数据点到趋势直线的垂直距离。在某种意义上，这些线段的长度表示数据和直线的差异，且这种差异应尽可能地小。因此，“拟合”的直线式是指使该距离的直线。

　　在数学上要计算“拟合”直线的斜率b和截距a是很简单的。每个点的差异称为残差，生成线性回归直线的公式是残差的平方和达到。可以将每个数据点的残差表示为：

2 算法实现

　　在进行数据清洗时，由于数据是无序输入的，所以先对其排序，再用盒形图法行数据清洗。以下是伪代码：

　　void BubbleSort(double m，double q，int n) //先对输入

　　//的数据进行冒泡排序，并相应修改

　　//第二组数据的顺序，以保证它们之间的对应关系

　　{ for(int i=0；i

　　for(int j=n-1；j>i；j--)

　　{

　　输入数据的排序

　　修改第二组数据

　　}

　　}

　　void box(double *m，double *q，int &n) //盒形法筛选

　　//掉离群项目工作量数据，n为输入数据个数，m、q为指针

　　{

　　double a，b，c，top，bottom，l； //上分位a，中位数b，//下分位c

　　if(n%2==0) //计算出3个四分位数

　　{

　　b=(*(m+n/2)+*(m+n/2-1))/2； //数据个数为

　　//偶数时，中位数取中间两数的平均值

　　a=*(m+n/4)；

　　c=*(m+3*n/4)； }

　　}

　　else

　　{ b=*(m+n/2)；

　　a=*(m+n/4)；

　　c=*(m+3*n/4)； }

　　l=c-a； top=c+1.5*l；bottom=c-1.5*l； //计算出盒

　　//长，上尾数，下尾数

　　if(bottom<0) bottom=m； //并进行必要的舍位处理

　　int j=n；

　　for(int i=0；i

　　{

　　if(*(m+i)>top‖*(m+i)

　　如有，将其从数组中剔去

　　}

　　}