小蜗Leon的博客

RTX 4090 未正确安装与 PyTorch 兼容的 CUDA 版本可能导致性能问题。首先，通过 torch.version.cuda 查询 PyTorch 绑定的 CUDA 版本，确保与系统安装的 CUDA Toolkit 一致。使用 nvidia-smi 检查驱动支持的 CUDA 版本，确保其不低于 PyTorch 所需版本。若版本不匹配，需卸载并重新安装指定 CUDA 版本的 PyTorch。多 CUDA 版本共存时，通过环境变量调整优先级。验证安装后，确保 torch.cuda.is_availa

以下是一个更为详细的教程，帮助你通过 Zotero 的样式编辑器（Style Editor）自定义文献引用和参考文献列表的格式。假设我们需要修改 APA 样式，使其在参考文献列表中将标题用引号括起来，并在年份后添加冒号。如果你有具体的格式需求，可以告诉我，我可以进一步帮你实现！，以下是常见的编辑操作及其详细说明。标签来控制字段的显示。Zotero 样式基于。

默认行为：并行池会在闲置一段时间后自动关闭，默认是 30 分钟。手动控制：你可以通过parpool和来手动启动和关闭并行池。偏好设置：可以在 MATLAB 的偏好设置中调整自动关闭的时间或者禁用自动启动。了解这些设置可以帮助你更好地管理并行计算资源，避免不必要的资源占用或浪费。如果有更多问题，请随时提问！

手动启动并行池，并指定工作进程数为 4parpool(4);% 定义目标函数% 设置优化选项，启用并行计算'Algorithm', 'interior-point', ... % 使用支持并行的算法'UseParallel', true, ... % 启用并行计算% 定义初始点、边界等参数x0 = [1;1];lb = [-5;-5];ub = [5;5];% 调用 fmincon 进行优化% 关闭并行池。

通过以下方法可以显著加速fmincon选择合适的算法（如sqp或启用并行计算。提供梯度信息或调整收敛条件。合理设置初始点和范围。使用更快的求解器（如fminunc或全局优化工具）。优化目标函数的实现，减少计算复杂度。根据具体问题的特点，选择合适的方法组合，以达到最佳的性能优化效果。如果有更多问题，请随时提问！

在 Matlab 中，当A和B是两个序列数据时，可以通过以下步骤来近似求出A大于B的概率分布：数据准备：确保序列A和B具有相同的长度。计算A大于B的逻辑数组：使用关系运算符 > 来创建一个逻辑数组，其中每个元素表示A中对应位置的元素是否大于B中对应位置的元素。然后使用 A > B 计算出一个逻辑数组 greaterThanB，表示A中哪些元素大于B中对应的元素。接着使用 histcounts 函数统计每个区间内的元素个数和A大于B的元素个数，计算出每个区间内A大于B的比例。

结构方程模型（Structural Equation Models, SEM）是一种多变量统计分析方法，用于同时估计多个方程中的参数。SEM 可以处理潜变量（Latent Variables）和观测变量（Observed Variables）之间的关系，以及变量之间的直接和间接效应。SEM 在社会科学研究、心理学、市场营销、经济学等多个领域都有广泛应用。

【代码】拟合一维数据的核密度曲线。

【代码】绘制拟合联合密度分布。

将【

约塔。

使用ISSN查询书籍链接。

Frechet分布是一种连续概率分布，它是极值统计中的一个重要模型，尤其在分析极端事件（如洪水、地震、金融市场中的极端波动）的最大值极限分布时扮演关键角色。Frechet分布属于极值分布的三种基本类型（I型、II型、III型）中的II型分布。Frechet分布的一个显著特征是其尾部比正态分布更厚，即存在较重的尾部，这意味着相比于正态分布，极端值出现的可能性更大。当位置参数θ=0时，我们得到的是简化版的标准Frechet分布，此时分布仅依赖于形状参数λ和尺度参数α。

gam的应用详细介绍。

【代码】随机森林补充缺失值。

文献推荐

市场一体化对区域协同创新的影响研究——以长三角城市群为例。

【代码】并列柱形图的绘制代码。

【代码】绘制并列图的代码。

语法结构告诉我们，主谓宾、形容词、副词、定语等，简单的文本分析只涉及到词汇的统计，简单的量化，其实这不能完全包含文本分析中量化的概念，因为，一句话有大量的修饰词，修饰的词汇位置不同能带来不同的语义、情感，比如：“小明快乐地去上学。一般来说，我们可以采取主观评价打分，一句话一句话的打分，现实中，我们就是这样做的，人脑直接给出答案。所以，语法在文本分析中很重要，当然了，这一点被大多数工具使用人所忽视，特别是搞经济学的操作者，忽略了语法的贡献，语言结构分析等成分被直接抛弃，这部分信息就丢失了啊。

代码

置信区间的画法

并列图的画法代码

为啥要检验呢？上图：如果不检验，意味着前期的发展特征是具有差异的，两个个体玩不到一块去，还怎么搞对比差异？D1是政策后，D2是政策前。视频截图来自于：哈哈哈哈哈哈，如何做DID平行趋势检验呢？是这样的放链接：链接一大堆，其实挺简单的，就是拿着年份的虚拟变量做回归，如果政策发生之前的年虚拟变量不显著，政策发生之后的年份虚拟变量显著，这就意味着，符合平行趋势检验。了解了这一基本原理。python就能跑喽截图链接：原文说：当然还有图示法。暂且不再介绍。接下来看看看 DID如何做，很

挺全的，如果工作量大，完全可以交给程序解决

实用clear allcd C:\desk\2019全国行政区划 use 284个城市经纬度.dta, clear //（1）计算01矩阵，此方法不靠谱，建议gis加geoda spatwmat, name(W01) xcoord(lon1) ycoord(lat1) band(0 12) binary //加standardize为标准化 matlist W01 mat2txt,matrix(W01) saving(284)replace //矩阵保存为txt文件dataout

#!/usr/bin/env python# coding: utf-8# In[1]:import pandas as pd import numpy as npimport ospd.set_option("display.max_rows",None)pd.set_option("display.max_columns",None)# In[2]:city_code_data = pd.read_excel('./长三角城市名/长三角城市名.xlsx',sheet_na

%读取一张图片，并显示original_picture=imread('C:\Users\Admin\Desktop\2004.png');figure(1);imshow(original_picture);title('原始RGB图像')%把图像转换成灰度图像GrayPic=rgb2gray(original_picture);%把RGB图像转化成灰度图像figure(2)imshow(GrayPic);title('RGB图像转化为灰度图像')imwrite(GrayPic,'m

import osimport pandas as pdimport repath = './编码文件'files = os.listdir(path)code = pd.read_excel('./文件名与编码文件/编码和名称.xlsx',sheet_name=0)code 2009年 编码 0 12—1 农村基层组织和农业基本情况 /download/exc

import osimport pandas as pdimport repath = './编码文件'files = os.listdir(path)code = pd.read_excel('./文件名与编码文件/编码和名称.xlsx',sheet_name=0)codefor file in files: f_name = re.search('[N]\d*',file).group() old_name = path + '/' + file print

stata移动平均插值法mipolate命令xtset id yearby id: mipolate x3 year , gen(x3_1) idw(4)idw表示取移动平均的项数结果：

最新的命令是xtmoranimport excel D:\个人文件\研究生论文\长三角全部\长三角\数据整合\data2019\分省数据\数据回归一张表201920210526-莫兰画图用无市.xlsx,sheet(“Sheet1”) firstrow clearxtset Variable_code Variable0*xtmoran 耦合度,weights(w) morani(2012 2013) graph symbol(Variable1)xtmoran 耦合度,wname(D:\个人文件

暂时私有，未公开亲自写的库函数，灵活简单https://gitee.com/kuanleung

#!/usr/bin/env python# coding: utf-8import pandas as pdfrom statsmodels.formula.api import olsfrom statsmodels.stats.anova import anova_lmfrom statsmodels.stats.multicomp import pairwise_tukeyhsd file = r'D:\\价格.xlsx'data = pd.read_excel(file)#pri

gurobi的安装import gurobipyimport pandas as pdfrom gurobipy import quicksumclass FACM(object): def __init__(self,input_var,output_var,epsilon,Fa,DMUs,data): self.q = len(data[DMUs]) self.m= len(input_var) self.s=len(output_var)

注册账户，学术用途下载合适的版本下面的一串数字grbgetkey开头，贴入CMD命令窗口然后python就可以使用了import gurobipyfrom gurobipy import quicksum

教程https://blog.youkuaiyun.com/youcans/article/details/116370914https://www.jianshu.com/p/1558931f3539我的介绍（待写）DEA实用FACM

还有一个比较好的视频。

install.package('readxl')install.package('forecast')install.package('fUnitRoots')install.package('tseries')library(readxl)library(forecast)data <- read_excel(path = 'C:\\Users\\Admin\\Desktop\\新建文件夹\\价格预测--ARIMA.xlsx')price= data ##数据的导

import pandas as pdimport numpy as npimport openpyxlpd.set_option('display.max_columns', None)pd.set_option('display.max_rows', None)data_b = pd.DataFrame([],columns=['dmu','TE','作业类型','作业编码','年份'])bianma = 0for by in ['拖网','围网','张网','刺网','钓业','其他