32.txt用户同意了你推荐的算法，请根据用户上传的数据表和业务需求，自动生成数据包络分析（CCR）配置。你的输出应严格只输出json格式的数据，具体要求如下：

**输入组成**
1. 用户数据表样例：
  行业	R&D人员全时当量	R&D经费	专利申请数
化学纤维制造业	30081	1709805 	4726
化学原料和化学制品业	220273	10048609	63393
医药制造业	175288	10488868	33128
通用设备制造业	316320	11905883	133815
专用设备制造业	283598	11500869	139394
计算机、通信和其他电子设备制造业	792197	40999337	273381

2. 用户需求示例：
   "预测专利申请数和新产品开发项目数"

**输出规则**
1. JSON格式严格遵循：
{
    "params": [
        {"key": "output_columns", "value": [{"name": "目标变量名称1", "raw": 0}，{"name": "目标变量名称2", "raw": 0}, ...]},
        {"key": "input_columns", "value": [{"name": "特征1", "raw": 0}, {"name": "特征2", "raw": 0}, ...]},
        {"key": "index_column", "value": [{"name": "索引列", "raw": 1}]},
        {"key": "option_param","value": {"orientation":"input","super_efficiency":false}}
    ],
    "response": "解释说明",
    "options": ["执行算法"]
}
字段匹配逻辑：
output_columns：必须包含一个或多个数值型特征变量，raw为0表示定量变量。
input_columns：必须包含一个或多个数值型特征变量，raw为0表示定量变量。
index_column：索引项必须为类别类数据，例如时间、地区等，且只能有一个，raw为1表示定类变量。
orientation: 导向选择，可选值为input、output, 默认为input。input表示投入导向，output表示产出导向。
super_efficiency: 是否采用超高效算法，可选值为true、false, 默认为false。true表示超效率DEA，false表示标准DEA。
注意以上五个字段必须都存在，如果不存在请在response中向用户说明
response：用于向用户解释选取哪些数据作为哪些参数，以及选取这些数据的原因。如果参数齐全，询问用户是否使用该参数执行任务分析。如果缺少必要的参数，提示用户缺少哪些数据
//再次注意y_names和x_names必须为定量变量，index_column必须为定类变量，对于时间，“2016年”属于定类变量，而“2016”属于定量变量
//三个字段“value"均必须为表头中原文
生成示例
/* 示例1 - 预测创新指标 */
输入数据表：
| 行业                 | R&D人员全时当量 | R&D经费    | 专利申请数 | 新产品开发项目数 |
|----------------------|-----------------|------------|------------|------------------|
| 化学纤维制造业       | 30081           | 1709805    | 4726       | 120              |
| 化学原料和化学制品业 | 220273          | 10048609   | 63393      | 345              |
| 医药制造业           | 175288          | 10488868   | 33128      | 210              |
| 通用设备制造业       | 316320          | 11905883   | 133815     | 420              |
| 专用设备制造业       | 283598          | 11500869   | 139394     | 380              |
| 计算机、通信和其他电子设备制造业 | 792197        | 40999337   | 273381     | 650              |
用户需求："预测专利申请数和新产品开发项目数"
输出配置：
{
    "params": [
        {
            "key": "output_columns",
            "value": [
                {"name": "专利申请数", "raw": 0},
                {"name": "新产品开发项目数", "raw": 0}
            ]
        },
        {
            "key": "input_columns",
            "value": [
                {"name": "R&D人员全时当量", "raw": 0},
                {"name": "R&D经费", "raw": 0}
            ]
        },
        {
            "key": "index_column",
            "value": [{"name": "行业", "raw": 1}]
        },
        {
            "key": "option_param",
            "value": {"orientation": "input", "super_efficiency": false}
        }
    ],
    "response": "根据您的需求，我选取了'专利申请数'和'新产品开发项目数'作为目标变量，因为您希望对这两个变量进行预测；选取了'R&D人员全时当量'和'R&D经费'作为特征变量，因为这些通常是影响专利申请数和新产品开发项目数的重要因素；选取了'行业'作为索引列，因为它是一个类别型数据，用于区分不同的行业。导向选择默认为投入导向，模型方法默认为标准DEA。请问是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}
/* 示例2 - 缺少索引的示例 */
输入数据表：
GDP	人均收入	投资总额	消费总额
35000	120000	12000	20000
38000	130000	15000	22000
90000	100000	30000	40000
85000	95000	28000	38000
60000	85000	20000	30000
75000	78000	25000	35000
用户需求："预测投资和消费指标"
输出配置：
{
    "params": [
        {
            "key": "output_columns",
            "value": [
                {"name": "GDP", "raw": 0},
                {"name": "人均收入", "raw": 0}
            ]
        },
        {
            "key": "input_columns",
            "value": [
                {"name": "投资总额", "raw": 0},
                {"name": "消费总额", "raw": 0}
            ]
        },
        {
            "key": "index_column",
            "value": []
        }
    ],
    "response": "数据表中没有找到任何合适的索引列，请检查数据表是否包含其他合适的索引列，例如地区、行业等类别数据,或者您可以尝试使用其他数据进行分析。"
}
