<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[一人一花]]></title><description><![CDATA[平常看书写的一点笔记]]></description><link>https://blog.youkuaiyun.com/troubleisafriend</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; troubleisafriend]]></copyright><item><title><![CDATA[经典50例]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/49250879</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/49250879</guid><author>troubleisafriend</author><pubDate>Mon, 19 Oct 2015 15:44:24 +0800</pubDate><description><![CDATA[student(sno,sname,sage,ssex) 学生表 
course(cno,Cname,tno) 课程表 
sc(sno,cno,score) 成绩表 
teacher(tno,Tname) 教师表/*例1：查询“c1”课程比“c2”课程高的所有学生*/
select a.sno
from (select sno,score from sc where cno='c1') a,(sel]]></description><category></category></item><item><title><![CDATA[SQL经典问题1——产品、颜色、数量]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48755323</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48755323</guid><author>troubleisafriend</author><pubDate>Sat, 26 Sep 2015 21:44:37 +0800</pubDate><description><![CDATA[一个简单的表TABLE 有100条以上的信息，其中包括： 
产品         颜色             数量 
产品1         红色             123 
产品1         蓝色             126 
产品2         蓝色             103 
产品2         红色             NULL 
产品2]]></description><category></category></item><item><title><![CDATA[谁说菜鸟不会数据分析]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48312899</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48312899</guid><author>troubleisafriend</author><pubDate>Wed, 09 Sep 2015 11:00:05 +0800</pubDate><description><![CDATA[1 数据分析那些事儿2 结构为王——确定分析思路3 无米难为巧妇——数据准备4 三心二意——数据处理5 工先善其器必先利其器——数据分析6 给数据量体裁衣——数据展现7 专业化生存——图表可以更美的8 专业的报告——体现你的职场价值]]></description><category></category></item><item><title><![CDATA[数组和lookup函数]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48300217</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48300217</guid><author>troubleisafriend</author><pubDate>Tue, 08 Sep 2015 23:10:08 +0800</pubDate><description><![CDATA[1 回顾统计函数sumif函数 
sumifs函数 多条件求和 
excel 2003没有sumifs，那么要实现多条件求和则可以利用数组2 认识数组通俗含义：令一个区域的值等于某一个单元格值 
例：利用数组实现多条件求和 
=SUM(($A$2:$A$22=K15)*($B$2:$B$22=L15)*$E$2:$E$22) 
利用数组的写公式的不同之处：写完不能直接回车，需要CTRL+SHIFT+]]></description><category></category></item><item><title><![CDATA[基本数学函数]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48254803</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48254803</guid><author>troubleisafriend</author><pubDate>Mon, 07 Sep 2015 00:27:22 +0800</pubDate><description><![CDATA[1 基本函数round(number,num_digits) 四舍五入 
roundup(number,num_digits) 直接进位 
rounddown(number,num_digits) 直接舍弃 
int(number) 直接取整 
mod(number,divisor) 求余数 
row(reference) 返回引用的行号，不填默认的是当前单元格 
column(reference)]]></description><category></category></item><item><title><![CDATA[外联接、自联接与联合]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48223175</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48223175</guid><author>troubleisafriend</author><pubDate>Sat, 05 Sep 2015 10:40:23 +0800</pubDate><description><![CDATA[1 外联接1 左外联接left outer join 
外联接与内联接的区别： 
外联接一定会提供数据行，无论改行是能否在另一个表中找出相匹配的行。 
左外联接的结果集中的NULL表示右集中没有找到与左表相符的记录；相同，在匹配时多条记录符合条件，就会取出多行。2 右外联接right outer join 
与左外联接类似，不同的是左外联接from后面是左表，而右外联接的后面则是右表。2 自联接自联]]></description><category></category></item><item><title><![CDATA[子查询]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48222887</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48222887</guid><author>troubleisafriend</author><pubDate>Sat, 05 Sep 2015 10:10:11 +0800</pubDate><description><![CDATA[1 作为欲选取列的子查询
2 非关联子查询
3 关联子查询
exists not exists]]></description><category></category></item><item><title><![CDATA[简单文本函数]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48215823</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48215823</guid><author>troubleisafriend</author><pubDate>Fri, 04 Sep 2015 23:39:04 +0800</pubDate><description><![CDATA[截取字符串 mid left right
获取信息 len lenb]]></description><category></category></item><item><title><![CDATA[各种分类算法比较]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48197631</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48197631</guid><author>troubleisafriend</author><pubDate>Thu, 03 Sep 2015 20:23:19 +0800</pubDate><description><![CDATA[1 KNN算法原理：已知样本集中每一个数据与所属分类的对应关系，输入没有标签的新数据后，将新数据与训练集的数据对应特征进行比较，找出“距离”最近的k（通常k<20）数据，选择这k个数据中出现最多的分类作为新数据的分类。 
算法描述： 
(1)  计算已知类别数据及中的点与当前点的距离； 
(2)  按距离递增次序排序 
(3)  选取与当前点距离最小的k个点 
(4)  确定前K个点所在类别出现的频]]></description><category></category></item><item><title><![CDATA[日期函数]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48169823</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48169823</guid><author>troubleisafriend</author><pubDate>Wed, 02 Sep 2015 01:34:20 +0800</pubDate><description><![CDATA[1 日期与时间在excel中整数代表天，日期和时间要进行运算必须单位相同 
例1：由开始时间、分钟，求结束时间 
如：开始时间9:00，在D4单元格 
       分钟为90，在E4单元格 
       结束时间为10：30 
 函数为：=D4+E4/24/60 
例2：由开始时间、结束时间，求持续时间（分钟） 
如：开始时间9:00，在E9单元格 
       结束时间12:00，在D9单元]]></description><category></category></item><item><title><![CDATA[第十三章 时间序列分析和预测]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48163681</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48163681</guid><author>troubleisafriend</author><pubDate>Tue, 01 Sep 2015 21:11:32 +0800</pubDate><description><![CDATA[时间序列的关键是确定出已有的时间序列的变化模式，并假定这种模式会延续到未来。 
时间序列分析就其发展的历史阶段和所使用的统计分析方法来看，有传统的时间序列分析和现代时间序列分析。下文主要介绍传统的时间序列的分析方法，内容包括时间序列数据的统计和预测方法。1 时间序列及其分解时间序列是同一现象在不同时间上的相继观察值排列而成的序列，可以分为平稳序列和非平稳序列。 
平稳序列（stationaryser]]></description><category></category></item><item><title><![CDATA[第十二章  多元线性回归]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48163607</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48163607</guid><author>troubleisafriend</author><pubDate>Tue, 01 Sep 2015 21:06:46 +0800</pubDate><description><![CDATA[1 多元线性回归模型1 多元回归模型与回归方程多元回归模型： 
y=β 0 +β 1 x 1 +β 2 x 2 +...+β k x k +ε y=\beta_0+\beta_1x_1+\beta_2x_2+...+\beta_kx_k+\varepsilon 
多元回归方程： 
E(y)=β 0 +β 1 x 1 +β 2 x 2 +...+β k x k  E(y)=\beta_0+\beta_]]></description><category></category></item><item><title><![CDATA[第十一章  一元线性回归]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48159583</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48159583</guid><author>troubleisafriend</author><pubDate>Tue, 01 Sep 2015 16:21:52 +0800</pubDate><description><![CDATA[主要分析数值型自变量与数值型自变量之间的关系。 
从变量个数上看，可分为简单相关与简单回归分析和多元相关与多元回归分析；从变量之间的关系形态上看，有线性相关与线性回归分析和非线性相关与非线性回归分析。1 变量间关系的度量1 变量间的关系变量之间的关系可分为函数关系和相关关系 
函数关系：一 一对应的确定关系 
相关关系：变量之间存在的不确定的数量关系2 相关关系的描述与测度假设：(1)两个变量之间是]]></description><category></category></item><item><title><![CDATA[第十章 方差分析]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48140497</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48140497</guid><author>troubleisafriend</author><pubDate>Mon, 31 Aug 2015 21:39:04 +0800</pubDate><description><![CDATA[从形式上看，方差分析是比较多个总体的均值是否相等，但从本质上它所研究的是变量之间的关系。在研究一个（或多个）分类型自变量与一个数值型因变量之间的关系时，方差分析就是其中的主要方法之一。1 方差分析引论随着增加个体显著性检验的次数，偶然因素导致差别的可能性也会增加（并非均值真的存在差别）。而方差分析则是同时考虑所有样本，排除了错误累积的概率，从而避免拒绝一个真实的原假设。1 方差分析及其有关术语方差分]]></description><category></category></item><item><title><![CDATA[第九章 列联分析]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48138727</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48138727</guid><author>troubleisafriend</author><pubDate>Mon, 31 Aug 2015 19:42:09 +0800</pubDate><description><![CDATA[列联分析主要用于分类数据的分析1 分类数据与列联表1 分类数据如：完整家庭/离异家庭、一等品/二等品、三等品……2 列联表的构造列联表是由两个以上的变量进行交叉分类的频数分布表。3 列联表的分布列联表的分布可以从两个方便来看：一个是观察值的分布；一个是期望值的分布。 
(1)观察值 
条件频数、行边缘频数、列边缘频数、百分比 
(2)期望值分布 
根据比例求出的各个变量的期望值 
以四个公司对改革方]]></description><category></category></item><item><title><![CDATA[第八章  假设检验]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48135017</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48135017</guid><author>troubleisafriend</author><pubDate>Mon, 31 Aug 2015 15:38:33 +0800</pubDate><description><![CDATA[参数估计：是用样本统计量估计总体参数的方法，总体参数μ在估计前是未知的 
假设检验：先对μ \mu的值提出一个假设，然后利用样本信息去检验这个假设是否成立1 假设检验的基本问题1 假设的表达式原假设H0  备选假设H12 两类错误第一类错误：原假设为真却被拒绝，犯这种错误的概率用α表示，所以也称α错误或弃真错误 
第二类错误：原假设为伪却没有拒绝，犯这种错误的概率用β表示，也称β错误或取伪错误 
对]]></description><category></category></item><item><title><![CDATA[第七章  参数估计]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48131889</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48131889</guid><author>troubleisafriend</author><pubDate>Mon, 31 Aug 2015 11:47:25 +0800</pubDate><description><![CDATA[参数估计是在抽样及抽样分布的基础上，根据样本统计量来推断所关心的总体参数。1 参数估计基本原理1 估计量与估计值 
估计量：参数估计中，用来估计总体参数的统计量的名称，如样本均值、样本比例 
估计值：根据一个具体的样本计算出来的估计量的数值 
2 点估计与区间估计 
参数估计的方法有点估计和区间估计。 
点估计：用样本统计量的某个取值直接作为总体参数的估计值。无法概率度量可靠程度 
区间估计：在点估]]></description><category></category></item><item><title><![CDATA[第六章  统计量及其抽样分布]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48094269</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48094269</guid><author>troubleisafriend</author><pubDate>Sat, 29 Aug 2015 23:49:31 +0800</pubDate><description><![CDATA[1 统计量统计量：由样本构造一个函数，不依赖任何参数 
常用统计量：样本均值（X ¯  \bar{X}）、样本方差（S 2  S^2）、样本变异系数（V=SX ¯   V=\dfrac{S}{\bar{X}}）、样本k阶距、样本k阶中心距、样本偏度、样本峰度 
次序统计量：样本极差（最大值减最小值） 
充分统计量：统计量加工过程中一点信息都不损失的统计量。判别定理：因子分解定理2 由正态分布导出的几]]></description><category></category></item><item><title><![CDATA[联接与多张表的操作]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48092417</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48092417</guid><author>troubleisafriend</author><pubDate>Sat, 29 Aug 2015 22:04:00 +0800</pubDate><description><![CDATA[1 AS的作用as能把select的查询结果填入新表create table profession
( id int(11) not null auto_increment primary key,
  profession varchar(20)
) as
select profession from my_contacts
group by profession
order by profess]]></description><category></category></item><item><title><![CDATA[缺失值的处理——R语言]]></title><link>https://blog.youkuaiyun.com/troubleisafriend/article/details/48067383</link><guid>https://blog.youkuaiyun.com/troubleisafriend/article/details/48067383</guid><author>troubleisafriend</author><pubDate>Sat, 29 Aug 2015 00:22:15 +0800</pubDate><description><![CDATA[本文主要介绍VIM和mice包，使用数据集为VIM包提供的哺乳动物睡眠数据sleep，主要研究62种哺乳动物的睡眠、生态学变量和体质变量间的关系。 
睡眠变量包含睡眠中做梦时（Dream）、不做梦的时长（NonD）以及它们的和（Sleep）。体质变量包含体重（BodyWgt，单位为千克）、脑重（BrainWgt，单位为克）、寿命（Span，单位为年）和妊娠期（Gest，单位为天）。生态学变量包含物种]]></description><category></category></item></channel></rss>