qq_45767140的博客

Pandas读取数据import pandas as pdimport numpy as npdates = pd.date_range('20210101', periods=6)df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates, columns=['A','B','C','D'])print(df)#获取DataFrame中的数据print(df['A'])print(df.A)#获取的是A列的数据print

如果用 python 的列表和字典来作比较, 那么可以说 Numpy 是列表形式的，没有数值标签，而 Pandas 就是字典形式。Pandas是基于Numpy构建的，让Numpy为中心的应用变得更加简单。数据结构要使用pandas，首先需要了解主要两个数据结构：Series和DataFrame。Seriesimport pandas as pdimport numpy as nps = pd.Series([1,3,6,np.nan,44,1])print(s);Serie.

https://blog.youkuaiyun.com/a373595475/article/details/79580734基本运算import numpy as npimport pandas as pdarray=np.array([[1,2,3],[2,3,4]])print(array)print("Number of dim:",array.ndim)#矩阵维度print("shape:",array.shape)#矩阵的行列数print("size:",array.size)..

最好的学习方法就是敲代码。

Logistic模型求解1）非线性最小二乘估计把第一个数据作为初始条件，利用余下的数据拟合参数Xm和r。clc;clear;a=[1790:10:2000];%年份%人口数据b=[3.9,5.3,7.2,9.6,12.9,17.1,23.2,31.4,38.6,50.2,62.9,76.0,92.0,106.5,123.2,131.7,150.7,179.3,204,226.5,251.4,281.4];b=b';%变成列向量a=a';a0=a(1);b0=b(1);%第一.

灰色系统理论认为，系统的行为尽管是模糊的，数据是复杂的，但毕竟是有序的，是有整体功能的。在建立灰色预测模型之前需要对原始时间序列进行数据处理，预处理后的数据序列称为生成列，灰色系统对数据的预处理一般有累加和累减两种。灰色系统通过鉴别系统因素之间发展趋势的相异程度，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测发展趋势。GM(1,1)模型（单序列一阶线性微分方程模型）是灰色系统中最为常用的模型。MATALB编写的主要步骤：1、对原始

个人学习遗传算法的一些心得，这篇博客里面包含我学习过程中的一些问题，并且提供了相关的学习资料

清风-蒙特卡洛模拟的使用案例使用理解：蒙特卡洛模拟算法是一种解决问题的思想、方法，没有特定的代码。对于不同的问题需要编写不同的代码，但其应用的思想确是统一的。由于⽣活中有许多事件发⽣的结果都有⽆限种可能（例如⼀个连续分布的取值），因此我们不可能枚举出所有的结果，这时候就只能通过蒙特卡罗模拟，将⼀个不确定性的问题转化成很多个确定性问题，并得到⼀个近似解，因此蒙特卡罗算法也可以看成是枚举法的⼀种变异。...

本文主要讲spss如何实现，具体原理免费提供课件ppt（见文末尾链接）概念时间序列也称为动态序列，是指将某些现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析的作用包括描述过去、分析规律和预测未来。时间序列数据：对同一对象在不同时间连续观察所得的数据。时间序列的数值变化规律：长期趋势指的是统计指标在相当长的时间内，受到长期趋势影响因素的影响，表现出持续上升或下降的趋势。季节趋势是指由于季节的转变使得指标数值发生周期性变动。（季节是广义的）循环变动与季节变动的周期不.

引入拟合问题的目标是寻求一个函数（曲线）,使得该函数在某种准则下与所有的数据点最为接近，即函数拟合得最好。基于最小二乘法的拟合评价拟合好坏线性函数不能简单理解为一元一次函数。...

目录引入概念使用原理引入在数据分析时，需要先对异常值进行剔除，有一种剔除方法叫拉依达法则。概念假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。注：这种判别处理原理及方法仅局限于对正态或近似正态分布的样本数据处理，它是以样本数据量充分大为前提。此方法对于数据量较小的数据集是不可靠的，需要选择其他方法进行剔除偏离点。使用原理在正态分布中σ代表标

目录概念引入相关性可视化协方差皮尔逊Pearson相关系数总体皮尔逊Pearson相关系数样本皮尔逊Pearson相关系数关于皮尔逊相关系数的一些理解误区总结概念引入相关系数可用来衡量两个变量之间的相关性的大小。跟据数据满足的不同条件，选择不同的相关系数进行计算和分析。什么是相关性？相关性，是指两个变量的关联程度。一般地，从散点图上可以观察到两个变量有以下三种关系之一：两变量正相关、负相关、不相关。正相关就是你高兴那么她也高兴；负相关就是你不高兴，.

整数线性规划解决的是自变量在一定的线性约束条件下，使得线性目标函数求得最大值或者最小值的问题。其中自变量只能取整数。特别地，当自变量只能取0或者1时，称之为 0-1 整数规划问题。当目标函数为最小值时，上述问题可以写成如下形式：其中F线性目标函数系数向量X为决策变量向量A为线性不等式系数矩阵B为线性不等式右端常数向量Aeq为线性等式系数矩阵Beq为线性等式右端常数向量LB为决策变量下界向量UB为决策变量上界向量Matlab模型代码[X,FV...

“物以类聚，人以群分”。包罗万象的数据也是如此，数据本身是凌乱的，如何在凌乱之中去发掘数据的信息呢？本文将介绍聚类模型。所谓聚类，就是将样本划分为由类似对象组成的多个类的过程。聚类后，我们就可以更加准确地在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间地相关性和差异性。K-means聚类算法算法流程：（1）指定需要划分地簇地个数K值（即为类地个数）（2）随机地选择K个数据对象作为初始的聚类中心（3）计算其余的各数据对象到这K个聚类中心的距离，把数据对象划归到距离它最近的那

灰色关联分析灰色关联分析的基本思想 是根据序列曲线几何形状的相似程度来判断其联系是否紧密，曲线越接近，相应序列之间的关联度就越大，反之则越小。此方法可用于 进行系统分析，也可应用于对问题进行综合评价。（综合评价不推荐使用该方法）系统分析主要步骤：1、绘制统计图2、确定分析数列母序列，能反映系统行为特征的数据序列，类似于因变量子序列，影响系统行为的因素组成的序列，类似于自变量3、对变量进行预处理先求每个指标的均值，该指标中的每个元素都除以对应的均值。目的：去量纲，缩小变量范围简化计算4

层次分析法

启发式算法：在搜索最优解过程中利用到原来搜索过程中得到的信息，且这个信息会改进我们的搜索过程。以一元函数找MAX为例，了解爬山法：1、在解空间中随机生成一个初始解2、跟据初始解的位置，向左邻域或者向右邻域偏移一个微小量3、比较偏移后的目标函数的大小，决定下一步的方向。4、不断重复这个步骤，直到找到一个极大值点（或者定义域边缘处），此时结束搜索。爬山法容易陷入局部最优解，实际上是一种贪心算法。模拟退火算法是如何解决这个问题的呢？其中Ct可以看成一个与时间相关的系数，在搜索前期，搜索的范围