<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wlt9037的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wlt9037</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wlt9037]]></copyright><item><title><![CDATA[R语言-逻辑回归+主成分分析-员工离职预测训练赛]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/77931090</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/77931090</guid><author>wlt9037</author><pubDate>Mon, 11 Sep 2017 11:10:59 +0800</pubDate><description><![CDATA[题目：员工离职预测训练赛
网址：http://www.pkbigdata.com/common/cmpt/员工离职预测训练赛_竞赛信息.html
要求：
数据主要包括影响员工离职的各种因素（工资、出差、工作环境满意度、工作投入度、是否加班、是否升职、工资提升比例等）以及员工是否已经离职的对应记录。
数据分为训练数据和测试数据，分别保存在pfm_train.csv和pfm_test.csv两]]></description><category></category></item><item><title><![CDATA[R语言-向量机-员工离职预测训练赛]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/77930949</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/77930949</guid><author>wlt9037</author><pubDate>Mon, 11 Sep 2017 11:00:25 +0800</pubDate><description><![CDATA[题目：员工离职预测训练赛
网址：http://www.pkbigdata.com/common/cmpt/员工离职预测训练赛_竞赛信息.html
要求：
数据主要包括影响员工离职的各种因素（工资、出差、工作环境满意度、工作投入度、是否加班、是否升职、工资提升比例等）以及员工是否已经离职的对应记录。
数据分为训练数据和测试数据，分别保存在pfm_train.csv和pfm_test.csv两]]></description><category></category></item><item><title><![CDATA[R语言-决策树-员工离职预测训练赛]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/77930629</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/77930629</guid><author>wlt9037</author><pubDate>Mon, 11 Sep 2017 10:50:00 +0800</pubDate><description><![CDATA[题目：员工离职预测训练赛
网址：http://www.pkbigdata.com/common/cmpt/员工离职预测训练赛_竞赛信息.html
要求：
数据主要包括影响员工离职的各种因素（工资、出差、工作环境满意度、工作投入度、是否加班、是否升职、工资提升比例等）以及员工是否已经离职的对应记录。
数据分为训练数据和测试数据，分别保存在pfm_train.csv和pfm_test.csv两]]></description><category></category></item><item><title><![CDATA[cbind()/data.frame()构建数据框字符串chr变因子Factor问题解决]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/77159655</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/77159655</guid><author>wlt9037</author><pubDate>Mon, 14 Aug 2017 11:44:42 +0800</pubDate><description><![CDATA[cbind() 帮助文档中有这么一段话：
The cbind data frame method is just a wrapper for data.frame(..., check.names = FALSE). This means that it will split matrix columns in data frame arguments, and convert characte]]></description><category></category></item><item><title><![CDATA[R语言学习-提取igraph的节点和边]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/76687038</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/76687038</guid><author>wlt9037</author><pubDate>Fri, 04 Aug 2017 16:08:08 +0800</pubDate><description><![CDATA[网络分析的时候，可能需要提取出网络中的节点或者边，igraph包中其实提供了很多可用的函数。
#创建网络方法之一：data.frame
data<-data.frame(id1=c(1,1,2,3,4,4,5,5,6,6,7,8,8,9,10,5,15,6,7,16),id2=c(2,11,11,12,13,14,15,16,7,15,16,17,18,18,9,19,19,19,19,19))
]]></description><category></category></item><item><title><![CDATA[R语言学习-交集和并集]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/76571638</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/76571638</guid><author>wlt9037</author><pubDate>Wed, 02 Aug 2017 10:07:58 +0800</pubDate><description><![CDATA[两组向量求交集和并集
a <- c(1,2,3,4,1)
a
[1] 1 2 3 4 1
b <- c(1,5,7)
b
[1] 1 5 7
intersect(a,b)     #交集
[1] 1
union(a,b)          #并集
[1] 1 2 3 4 5 7]]></description><category></category></item><item><title><![CDATA[R语言学习-table()结果提取]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/76570155</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/76570155</guid><author>wlt9037</author><pubDate>Wed, 02 Aug 2017 09:38:29 +0800</pubDate><description><![CDATA[test <- c(1,2,3,2,1,1,5,6,4,5,1)
test
 [1] 1 2 3 2 1 1 5 6 4 5 1
test1 <- table(test)
test1
test
1 2 3 4 5 6   #test中的元素
4 2 1 1 2 1   #各个元素出现的频率
#1.提取table()中的元素
names(test1)
[1] "1" "2" "3" "4" "5" ]]></description><category></category></item><item><title><![CDATA[R语言学习-创建新的矩阵matrix]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/76021806</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/76021806</guid><author>wlt9037</author><pubDate>Mon, 24 Jul 2017 15:58:49 +0800</pubDate><description><![CDATA[A <- matrix(nrow=0,ncol=2)     #创建空的矩阵
A
     [,1] [,2]
B <- matrix(c(1:10),ncol=2)    #初始化矩阵
B
     [,1] [,2]
[1,]    1    6
[2,]    2    7
[3,]    3    8
[4,]    4    9
[5,]    5   10
C <- data.fram]]></description><category></category></item><item><title><![CDATA[R语言学习-问题解决-Error in output$nodeID : $ operator is invalid for atomic vectors]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/75347570</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/75347570</guid><author>wlt9037</author><pubDate>Wed, 19 Jul 2017 10:46:15 +0800</pubDate><description><![CDATA[问题：在使用"$"符查看变量列的时候，报错Error in output$nodeID : $ operator is invalid for atomic vectors
output <- data$score
output <- cbind(nodeID=dat$nodeID,score=output)
head(output$nodeID)
 Error in output$nod]]></description><category></category></item><item><title><![CDATA[R语言学习-问题解决-reached getOption("max.print")]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/75337743</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/75337743</guid><author>wlt9037</author><pubDate>Wed, 19 Jul 2017 10:02:37 +0800</pubDate><description><![CDATA[#Rstudio默认屏幕打印变量数据行*列不超过1000，超出部分会被省略
#构造数据
data <- cbind(c(1:600),c(600:1),c(0:9))
data
       [,1] [,2] [,3]
  [1,]    1  600    0
  [2,]    2  599    1
  [3,]    3  598    2
  [4,]    4  597    3
 ]]></description><category></category></item><item><title><![CDATA[R语言学习-查看数据头和尾]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/75335032</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/75335032</guid><author>wlt9037</author><pubDate>Wed, 19 Jul 2017 09:42:27 +0800</pubDate><description><![CDATA[#构造数据
data <- cbind(c(1:10),c(10:1))
data
      [,1] [,2]
 [1,]    1   10
 [2,]    2    9
 [3,]    3    8
 [4,]    4    7
 [5,]    5    6
 [6,]    6    5
 [7,]    7    4
 [8,]    8    3
 [9,]    9    ]]></description><category></category></item><item><title><![CDATA[R语言学习-复杂网络中心度计算]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/75308981</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/75308981</guid><author>wlt9037</author><pubDate>Tue, 18 Jul 2017 16:23:46 +0800</pubDate><description><![CDATA[中心度概念说明：




指标名称
概念
比较
实际应用


点度中心度
在某个点上，有多少条线
强调某点单独的价值
★作为基本点的描述


接近中心度
该点与网络中其他点距离之和的倒数，越大说明越在中心，越能够很快到达其他点
强调点在网络的价值，越大，越在中心
★★基本描述，用户价值


中间中心度
代表最短距离是否都经过该点，如果都经过说明这个点]]></description><category></category></item><item><title><![CDATA[R语言-股票数据库(4)-股票行业和概念板块数据-Wind]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/74942792</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/74942792</guid><author>wlt9037</author><pubDate>Tue, 11 Jul 2017 11:26:55 +0800</pubDate><description><![CDATA[############################################################################################
######################     行业数据        #############################################
######################]]></description><category></category></item><item><title><![CDATA[R语言-股票数据库(3)-股票日K线信息-前复权-Wind]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/74942721</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/74942721</guid><author>wlt9037</author><pubDate>Tue, 11 Jul 2017 11:22:16 +0800</pubDate><description><![CDATA[前文股票历史交易数据是未复权的，在此使用WIND数据库获取复权后价格
安装Rstudio： https://www.rstudio.com/products/rstudio/download/
安装WIND客户端： WAPI.PE.exe
用户名:略  密码：略
WindR 读取数据通过下面7 个函数实现的。
w.wsd 读取历史序列数据,包括日间的行情数据，基本面数据以及技术数据指标。]]></description><category></category></item><item><title><![CDATA[R语言-股票数据库(2)-股票日K线信息-未复权]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/74942469</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/74942469</guid><author>wlt9037</author><pubDate>Tue, 11 Jul 2017 11:08:17 +0800</pubDate><description><![CDATA[注：1、此方法获得的股票价格是实际价格，未进行前/后复权
       2、只举例深市的获取方法，沪市的同理
       3、步骤：先从网上爬取每个股票的交易历史，存为csv格式文件；读取csv文件数据加载至mysql数据库
###################################################################################]]></description><category></category></item><item><title><![CDATA[R语言-股票数据库(1)-股票上市日期]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/74942306</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/74942306</guid><author>wlt9037</author><pubDate>Tue, 11 Jul 2017 10:57:24 +0800</pubDate><description><![CDATA[######################################################################################################
######################################获取股票上市日期################################################
##]]></description><category></category></item><item><title><![CDATA[R语言-关键节点问题-方案四-K-shell分解法]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/74910233</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/74910233</guid><author>wlt9037</author><pubDate>Mon, 10 Jul 2017 11:00:11 +0800</pubDate><description><![CDATA[K-shell分解法，O(N)
     step 1  查找网络中所有度为1的节点，并将这些节点及连接的边去掉。 
     step 2  经过步骤1后，网络中可能会出现新的度为1的节点，循环执行步骤1，直至所剩的网络中没有度为1的节点为止。 
     step 3  去掉网络中剩余度为2的节点，一次类推，重复循环执行。 
     step 4  重复以上操作，直至网络中没有节点为]]></description><category></category></item><item><title><![CDATA[R语言-关键节点问题-方案三]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/74529696</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/74529696</guid><author>wlt9037</author><pubDate>Thu, 06 Jul 2017 11:08:04 +0800</pubDate><description><![CDATA[依旧是无向图关键节点问题，此方案使用一次性计算权重，排序输出，胜在运算快，避免循环。
权重计算公式：节点权重=节点度+直接关联节点的度
权重计算比较粗糙，仅为试水，并为后面的方案做铺垫。
library(dplyr)
library(RMySQL)                       # 载入RMySQL包
conn <- dbConnect(MySQL(),dbname = "NE]]></description><category></category></item><item><title><![CDATA[R语言学习-Group By的实现]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/74421916</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/74421916</guid><author>wlt9037</author><pubDate>Wed, 05 Jul 2017 14:06:47 +0800</pubDate><description><![CDATA[library(dplyr)
data <- data.frame(year = rep(2016:2017,6),month = seq(1:12),sales=rep(c(10,20,30,40),3))
   year month sales
1  2016     1    10
2  2017     2    20
3  2016     3    30
4  2017     4  ]]></description><category></category></item><item><title><![CDATA[R语言学习-JOIN的各种实现]]></title><link>https://blog.youkuaiyun.com/wlt9037/article/details/74420886</link><guid>https://blog.youkuaiyun.com/wlt9037/article/details/74420886</guid><author>wlt9037</author><pubDate>Wed, 05 Jul 2017 13:44:49 +0800</pubDate><description><![CDATA[library(data.table)
library(dplyr)
A<-data.table(X1=c("a","b","c","d","e"),Y1=c(1,2,3,4,5),Z1=c("num1","num2","num3","num4","num5"))
A
B<-data.table(X2=c("c","d","e","f"),Y2=c(4.4,5.5,6.6,7.7))
B
#LEF]]></description><category></category></item></channel></rss>