墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.1w累计阅读
1.2w+平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
欢迎关注微信公众号：excelwork
Excel容易上手、直观展示，工作中遇到的大部分数据，初期可采用用Excel进行描述统计分析，以便进行后续动作。今天介绍Excel中如何完成描述性统计。
一、使用Excel自带数据分析工具
先介绍自带的分析工具，可一次性输出一些统计项的数值，样例数据85行6列。
找不到数据分析工具？
需要将分析库加载项添加到选项卡展示：
依次点击“文件”-“选项”-“加载项”；
“管理”中点击“Excel加载项”，点击“转到”，勾选“分析工具库”即可。
添加好加载项后，使用步骤如下：
点击“数据”-右侧找到“数据分析”，弹出的窗口中，分析工具选择“描述统计”；
“输入区域”选择要分析的数据区域，根据需求选择分组方式及是否勾选“标志位于第一行”；
选择输出区域，以及勾选下面需要使用的统计选项，确定即可。
Excel vs. SPSS vs. Python：新手入门描述性统计分析，到底该选哪个工具？
本文对比了Excel、SPSS和Python在描述性统计分析中的表现，帮助新手根据需求选择合适的工具。Excel适合快速分析小型数据集，SPSS适合学术研究，Python则适合处理大型数据和自动化流程。文章详细介绍了各工具的操作流程、学习曲线和适用场景，为读者提供了实用的选型指南。
【01】描述性统计
Excel中的描述性统计工具非常适合用于快速总结和理解数据。通过均值、标准差、偏度等统计量，可以帮助用户评估数据的集中趋势、离散程度和分布特征。这些指标可以作为进一步分析和建模的基础。
SPSS基础与Excel统计分析中文教程
SPSS，全称Statistical Package for the Social Sciences（社会科学统计软件包），是世界上最著名的统计分析软件之一。它不仅支持统计分析、数据挖掘、预测分析和决策，还提供了强大的数据处理功能，帮助用户从复杂的数据集中提取有价值的信息。SPSS（Statistical Package for the Social Sciences）是一款专业的统计分析软件，广泛应用于社会科学领域，它的用户界面直观，易于操作，特别适合统计分析新手使用。
使用Excel进行统计分析：方法与应用
在统计学中，假设检验是用来推断数据集中某些特征的统计方法。其核心思想是，基于样本数据来推断总体参数是否具有显著性差异。这里，我们重点探讨t检验、Z检验、卡方检验与F检验这四种常见的假设检验方法。t检验：通常用于样本量较小（通常小于30个样本）且总体标准差未知的情况。t检验可以用来比较两个组之间的均值是否存在显著差异。t检验可以分为单样本、两样本以及配对样本t检验。Z检验：用于已知总体标准差的较大样本量（通常大于30个样本）。
ONNC Open Neural Network Compiler 开源神经网络编译器 一个 开源、模块化、可重用编译器算法和工具链的库，专门针对深度学习加速器（DLA）部署导入ONNX模型
ONNC是一个集合了开源、模块化、可重用编译器算法和工具链的库，专门针对深度学习加速器（DLA）。ONNC从底层开始构建，旨在将ONNX中间表示（IR）翻译成专有DLA代码。其软件架构设计强调可移植性和可重用性，从而简化了开发新后端的工作。上图展示了ONNC软件栈的顶层框图。软件栈从导入ONNX计算图模型到输出相应的硬件二进制文件，展示了各个功能块。
避坑指南：SAP STO订单里‘发货存储地点’栏位不显示？检查这个关键配置
本文深入解析SAP STO订单中‘发货存储地点’栏位缺失问题的根本原因及解决方案。通过激活库存地点间转储功能、维护库存地点主数据等关键配置步骤，帮助用户快速恢复业务操作。特别适用于MM模块实施顾问和SAP系统管理员处理UB STO相关技术问题。
MATLAB仿真耗散孤子共振与金兹堡-朗道方程解析
耗散孤子共振(DSR)是非线性光学中的特殊脉冲现象，通过平衡非线性效应、色散与能量耗散实现稳定传输。其核心数学模型金兹堡-朗道方程(GLE)描述了光脉冲在增益介质中的演化规律，采用分步傅里叶方法(SSFM)可高效求解这类非线性偏微分方程。该技术在光纤激光器设计、高速光通信系统优化等领域具有重要价值，特别是在需要高能量脉冲保持稳定传输的场景。MATLAB数值仿真为理解DSR物理机制提供了直观工具，通过参数扫描可验证脉冲能量与宽度的线性关系特征，并为实际器件设计提供预测依据。
从Mate到Mate40 Pro+：华为旗舰核心配置演进与选购避坑指南
本文回顾了华为Mate系列从初代到Mate40 Pro+的核心配置演进历程，重点分析了处理器性能、影像系统、屏幕设计及续航快充的技术突破。针对选购需求，提供了区分版本、5G选择及存储配置的实用避坑建议，帮助消费者明智选择华为旗舰机型。
STM32CubeMX Nucleo F767ZI 教程(1)
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 官网上买了个NUCLEO F767ZI 的开发板，144引脚的芯片，https://www.st.com/content/st_com/zh/products/evaluation-tools/prod
具身智能(40)：主流 VLA 模型π₀
摘要： π₀是首款专为机器人设计的VLA（视觉-语言-动作）端到端基础模型，通过双阶段训练实现“感知-决策-执行”闭环。其创新点包括：1）FlowMatching技术实现连续平滑动作控制（精度0.3°）；2）结合VLM预训练与多机器人实操数据，零样本任务完成率达76.4%，远超同类模型；3）支持模糊指令理解与动态场景适应（如遮挡识别）。开源版本涵盖不同规模模型，适用于工业装配、服务机器人等场景，在延迟（213ms）和稳定性（92%自主恢复率）上显著领先OpenVLA等竞品。
Error: Flash Download failed - Target DLL has been cancelled
由于换了新电脑，keil重装了下，然而之前的MCU的支持包没有安装，以及一些其他的问题，导致可以编译但是不能将程序烧录到单片机中。现整理一下解决思路： 1、将支持包下载并添加： 找到你需要用的MCU的具体型号： 例如： 点击网址，下载安装包，或者在csdn等其他网址下载安装包，将下载好的pack包放到keil5的安装目录下的.Download中： 点击file中的import，将路径选择到.........
Agent Skills应用解析：构建可扩展、高效率AI探员
Agent Skills是一个简洁而强大的概念：它是一个包含组织化的指令、脚本和资源的文件夹，智能体可以动态地发现并加载这些内容，以在特定任务中表现更佳。可组合性（Composability）：一个Agent Skill是一个独立的、封装良好的能力单元。开发者可以为不同的功能（例如PDF处理、网络浏览、数据分析）创建独立的技能，然后根据需要将它们组合起来，赋能不同的智能体。这意味着不再需要为每个用例构建碎片化、定制设计的智能体，而是可以通过组合现有技能来快速构建新的专业智能体。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
190
扫一扫
