精华内容
下载资源
问答
  • 二级交叉分析数学:交叉拓扑空间和交叉度量函数,李宗诚,,本文试图在拓扑度量空间和概率测度空间 之间、距离函数 和熵变函数 之间以及运动方程和发展方程之间,引出交叉拓扑空间 、交叉度�
  • 数据分析之交叉分析

    万次阅读 2018-11-07 15:37:27
    什么是交叉分析交叉分析法又称立体分析法,是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法。这种方法虽然复杂,但它弥补了“各自为政”分析方法所带来的...

    什么是交叉分析?

    交叉分析法又称立体分析法,是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法。这种方法虽然复杂,但它弥补了“各自为政”分析方法所带来的偏差。

    通常用于分析两个变量之间的关系,例如各个报纸阅读和年龄之间的关系。实际使用中我们通常把这个概念推广到行变量和列变量之间的关系,这样行变量可能有多个变量组成,列变量也可能有多个变量,甚至可以只有行变量没有列变量,或者只有列变量没有行变量。

     

    –1.交叉分析 
    –2.分组分析

    1.交叉分析
    交叉分析的含义是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法。这种方法虽然复杂,但它弥补了“各自为政”分析方法所带来的偏差。 
    其实主要的用法是:用于分析两个变量之间的关系。 
    交叉分析一定要和假设检验连用会更好 
    首先,作者的理解是:交叉分析,一定是二维的,需要两个因子,要不无法交叉,那既然交叉了,就可以做成透视表,这两个因子一个为行,一个为列,然后做假设检验,判断P值是否小于0.0.5,这样就更加清晰明了 
    编程实现: 
    采用的是T检验假设 
    *第一步,提取数据

    import pandas as pd
    import numpy as np
    import scipy.stats as ss
    import matplotlib.pyplot as plt
    import seaborn as sns
    #设置图片的字体  font_scale
    sns.set_context(font_scale=1.5)
    df=pd.read_csv("./data/HR.csv")
    #分组indices获得分组后的数据的索引,下标
    #'''
    dp_indices=df.groupby(by="department").indices
    #取出left的sales的值
    #loc : 通过行标签索引行数据
    #iloc : 通过行号索引行数据
    sales_values=df["left"].iloc[dp_indices["sales"]].values
    #取出left的technical的值
    technical_values=df["left"].iloc[dp_indices["technical"]].values

    *第二步,T检验

    #输出这两个变量的t检验的P值  ss.ttest_ind()[1]
    print(ss.ttest_ind(sales_values,technical_values)[1])
    #然后分组后的department数据,按组为一个因子两两求P值
    #取出department分组后的keys键名称
    dp_keys=list(dp_indices.keys())
    #初始化一个dp_t_mat的矩阵
    dp_t_mat=np.zeros([len(dp_keys),len(dp_keys)])
    #便利每一个数据
    for i in range(len(dp_keys)):
        for j in range(len(dp_keys)):
            #t检验
                 p_value=ss.ttest_ind(df["left"].iloc[dp_indices[dp_keys[i]]].values,\
                                 df["left"].iloc[dp_indices[dp_keys[j]]].values)[1]
            #t检验的P值小于0.05赋-1,就是让heatmap绘出的图形,更加具有区分性
            if p_value<0.05:
                dp_t_mat[i][j]=-1
            else:
                #把P值赋给dp_t_mat矩阵
                dp_t_mat[i][j] = p_value

    *第三步,绘图

    #画图
    sns.heatmap(dp_t_mat,xticklabels=dp_keys,yticklabels=dp_keys)
    plt.show()


    *利用透视表,交叉分析

    #建一个透视表pd.pivot_table()
    #values="left"我们看得值是left,横坐标index设置为promotion_last_5years,再指定一个salary,
    #纵坐标columns  表示Work_accident,聚合方法aggfunc,设为平均数,是一个函数
    piv_tb=pd.pivot_table(df,values="left",index=["promotion_last_5years","salary"],\
                          columns=["Work_accident"],aggfunc=np.mean)
    #画图,透视表,填入这张表piv_tb,最小值vmin,最大值vmax,颜色cmap
    sns.heatmap(piv_tb,vmin=0,vmax=1,cmap=sns.color_palette("Reds",n_colors=256))
    plt.show()
     

    è¿éåå¾çæè¿°
    2.分组分析
    *分组分析的含义:是指将客体(问卷、特征、现实)按研究要求进行分类编组,使得同组客体之间的差别小于各种客体之间的差别,进而进行分析研究的方法。 
    分组分析,一般是利用条形图绘制的,绘制条形图主要是利用seaborn模块的barplot()和countplot()条形图函数。 
    这里讲一下barplot()和countplot()之间的区别: 
    *barplot(条形图) 
    条形图表示数值变量与每个矩形高度的中心趋势的估计值,并使用误差线提供关于该估计值附近的不确定性的一些指示。具体用法如下: 
    *countplot()绘制 
    一个计数图可以被认为是一个分类直方图,而不是定量的变量。基本的api和选项与barplot()相同,因此您可以比较嵌套变量中的计数。(工作原理就是对输入的数据分类,条形图显示各个分类的数量)具体用法如下: 
    seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs) 
    注:countplot参数和barplot基本差不多,可以对比着记忆,有一点不同的是countplot中不能同时输入x和y,且countplot没有误差棒。

    *分组分析的编程实现

    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    #设置图片的字体  font_scale
    sns.set_context(font_scale=1.5)
    df=pd.read_csv("./data/HR.csv")
    #离散分组
    #绘条形图
    #sns.barplot(x="salary",y="left",hue="department",data=df)
    #plt.show()
    #连续分组
    sl_s=df["satisfaction_level"]
    sns.barplot(list(range(len(sl_s))), sl_s.sort_values())
    plt.show()

    绘图结果 


    *第二种,利用不纯度(Gini系数)

    #可能平方和
    def getProbSS(s):
        if not isinstance(s,pd.core.series.Series):
            s=pd.Series(s)
        prt_ary = pd.groupby(s, by=s).count().values / float(len(s))
        return sum(prt_ary**2)
    #求Gini的值
    def getGini(s1,s2):
        d=dict()
        for i in list(range(len(s1))):
            d[s1[i]]=d.get(s1[i],[]) + [s2[i]]
        return 1-sum([getProbSS(d[k])*len(d[k]) / float(len(s1)) for k in d])
    print("getGini",getGini(s1,s2))
    --------------------- 
    作者:py粉 
    来源:CSDN 
    原文:https://blog.csdn.net/weixin_42878758/article/details/81461966 
    版权声明:本文为博主原创文章,转载请附上博文链接!

     

    展开全文
  • 交叉分析结点、交叉分布函数和耗散统计质量,李宗诚,,本文试图将分析力学的决定论研究和统计力学的随机论研究结合起来,对 系统的整体运动和自身发展探讨建立交叉分析的基础。在提出�
  • 多维交叉分析

    2019-04-28 22:09:42
    我们在进行数据分析的时候,大部分时间都在使用趋势分析、比较分析、细分分析这三类方法,但其实还有一个方法我们也会经常使用——交叉分析,尤其是在排查数据异常的问题时,交叉分析就能展现其强大的威力。...

    我们在进行数据分析的时候,大部分时间都在使用趋势分析、比较分析、细分分析这三类方法,但其实还有一个方法我们也会经常使用——交叉分析,尤其是在排查数据异常的问题时,交叉分析就能展现其强大的威力。另外要跟大家说声抱歉的是博客的更新频率可能没有那么频繁了,但是尽量每个月至少能发布一篇,希望文章的质量有所保证,还是欢迎大家留言讨论,能够发起一些有趣的话题,一起拓展在网站数据分析方面的思路。

    什么是交叉分析? 

      交叉分析是指对数据在不同维度进行交叉展现,进行多角度结合分析的方法,弥补了独立维度进行分析没法发现的一些问题。

      交叉分析以多维模型和数据立方为基础,也可以认为是一种特殊的细分方式,但跟细分的概念有点差异,如果有兴趣可以先阅读下之前的文章——数据立方体与OLAP。细分的方法更多的是基于同一维度的纵深展开,也就是OLAP中的钻取(Drill-down),比如从月汇总的数据细分来看每天的数据,就是在时间维度上的细分,或者从省份的数据细分查看省份中各城市的数据,是基于地域维的下钻。交叉分析不再局限于一个维度,就像数据立方体与OLAP文章中的立方体,是基于不同维度的交叉,时间维、地域维和产品维交叉在一起分析每个小立方的数据表现,可以通过OLAP的切片(Slice)和切块(Dice)操作查看例如上海市在3月份的电子产品的销售情况,这会帮助我们发现很多在单个维度中无法发现的问题。所以,交叉分析是基于不同维度横向地组合交叉,而不是细分在同一维度的纵向展开。

    交叉分析的展现形式

      交叉分析涉及多维度的组合,虽然图表和表格都可以进行展现,但因为图表所能表达的数据有限,且比较不容易把多个维度的交叉关系展现出来,在交叉分析中不太常用,通常以表格为主。我们平常在看的表格通常被叫做二维表,一般第一列放置一个维度,如日期,表头罗列各类指标(其实所有指标也可以被认为是一种特殊的维度——指标维),这样行列的两个维就组成了最常见的二维表。二维表可以进行扩展,进而展现更加丰富的维度:

    pivot-table-layout

      如上图就是典型的基于表格的多维度交叉分析的布局,在行列中分层次放置多个维度,如果我们只显示一个指标,那么这里的指标维就没有显示的必要了。其实Excel的数据透视表(Pivot Table)就是交叉分析的利器,我在数据的报表和报告这篇文章中提到过数据透视表,这里还是基于那篇文章截图的原始数据,如果我们将各维度按照上面的布局形式进行展现的话,会是怎么样的效果: 

    excel-pivot-table

      看起来还不错,显示的信息非常丰富,左边包含了以天为单位时间维和产品维,可以使用展开按钮进行汇总和展开,就像是细分的操作;上面的表头部分分两层罗列了地域维和指标维,Excel的透视表提供了丰富的设置,默认展现基于各个维度的汇总数据,让我们可以从“总-分”的角度观察数据,这对数据分析非常有用。假如我们使用上面的透视表进行交叉分析发现数据是否存在异常?

      使用从总体到细节的分析方法,首先可以从查看每天销售额和转化率的汇总数据开始,折叠产品维之后观察最右侧的指标汇总列就可以看到每日汇总数据;如果某一天的销售额或转化率出现了大幅的下滑,我们就可以结合各种维度寻找问题的原因,就是基于各种维度的细节数据,展开产品维观察当天的哪类产品销售出现了问题,然后结合地域维的交叉数据,可以定位哪类商品在哪个省份的销售出现了问题,这样就有效地将问题定位到了细节的层面,能够更好地发现问题,进而解决问题。所以交叉分析其实正是体现了分析“分而析之”的本意。

      上面的方法一般是比较常用的基于问题的分析方法,但我们很少可以一次就定位到问题,往往我们会根据推测多次查询数据库或查看Dashboard上的各类报表来定位问题。而结合透视表的交叉分析,我们使用一张报表就快速地定位了问题所在,从总体到细节,逻辑非常清晰,问题的定位也非常准确和到位,所以合理地利用交叉分析可以帮助我们更加高效地排查问题。

    交叉分析的基础

      这里不得不再说一下交叉分析基于的底层基础数据模型,因为如果没有设计好底层的数据模型,上层的交叉分析是很难实现的,或者多维的交叉受到限制而使分析存在局限性。

      从技术层面来看,交叉分析基于多维模型,数据的维度越丰富,所能实现的交叉也越丰富和灵活,通过各种交叉分析能够更加有效地发现问题;但相应的,如果要尽可能地丰富各维度的交叉分析,对基层模型的要求也就越高。所以如何设计好数据的底层模型非常关键,还是引用数据立方体与OLAP文中的那个数据立方看个简单的例子:

    data-cube

      如果一张网站分析的报表只包含以月度为单位的日期维和相应的指标,那么数据的存储就是每个月一条记录,但显然这种高度聚合的数据不利于分析,我们需要构建如上图的数据立方体来获取更加细节的数据。用数据立方来拓展数据细节有两种方向,一类是纵深拓展,也就是基于一个维度的细分,比如将一个月细分到每一天,那么一条记录将会被拓展成30条;还有一种是横向的拓展,就是多个维度的交叉,就像上面立方中添加了产品维和地域维。这样存储的数据就从原本单一的时间维度扩展成了时间、产品和地域三个维度,也就是三维立方体所能展现的形式,当然维度可以继续扩展,四个五个直到N个,理论上都是可行的,这里只要以三个维度进行举例就可以。对于数据存储而言,横向的拓展与纵深拓展的影响是一样的,记录数都是以倍乘的方式增长,假设这里产品维是产品大类,有20个产品大类,再加上32个省份或直辖市,那么经过纵深和横向拓展之后,原先每月的1条记录就变成了:

    1 × 30 × 20 × 32  =  19200

      而我们在构建多维模型的时候很多维度中包含的数据量绝对不像上面例举的那么小,想象一下网站的商品或者页面的数量可能是成百上千甚至成千上万的,那么一旦以倍乘的形式扩展之后,数据量就会一下子剧增。虽然丰富的多维立方能够给分析带来便利,但也同时给数据的存储和查询带来的压力。

      所以,更加丰富和灵活的分析需求的实现基于更加复杂的多维模型或者数据立方,同时会带来更大的系统开销。Google Analytics很好地权衡了灵活的数据分析与复杂数据模型之间的关系,这也是Google Analytics强大功能的基本保障,GA的高级细分(Advanced Segments)和自定义Dashboard是其他同类免费网站分析工具所无法比拟的,这也正是为什么我们将GA划分到网站数据分析工具,而其他的大部分只能算作网站数据统计工具的原因。而GA正是基于其构建的强大的底层数据模型和高效的数据计算和响应能力,使很多分析功能可以得到扩展,其中很多就涉及交叉分析,这里截图了其中的两个功能,Secondary DimensionPivot

    GA-secondary-dimension

      Google Analytics新版本增加了很多令人心动的功能,Secondary dimension的功能从老版本得到了延续,上图在Content模块的Page报表中选择了流量来源作为第二维度,这样我们就可以查看每个页面的流量是从何而来,每个流量来源在该页面的数据表现,同时可能还可以发现一些有趣的现象,比如某些页面的流量基本都是一个来源带来的,比如我的博客的某些文章基本都是通过搜索引擎进来的,而另外一些文章基本通过直接流量带来。

    GA-pivot

      在GA的各类报表中可以在右上角选择展现的形式,最后的一种就是Pivot,Pivot的形式对表格的表头进行了扩展,可以分层次放置另外的维度,如上图还是使用了页面与流量来源的交叉,将Source维度放到了指标的上方。同时GA支持在两个维度的基础上最多选择两个度量Metric,我这里选择了Pageviews和Bounce Rate,来衡量每个页面中各类流量来源所带来的“量”和“质”,同样对于分析非常有价值。

      多维的交叉分析我们在日常中潜移默化地经常会用到,交叉分析对于问题的排查和定位额外有效,所以我们需要想办法用更好的形式去展现数据,以便于更有利于进行交叉分析,其实这里介绍的透视表的方式是最常用的,也是比较好用的,但这类方式太少,不知道大家有没有其他更加有效的交叉分析展现方式。

    欢迎关注技术公众号:架构师成长营

     

    展开全文
  • python数据分析 -第三次笔记–1.交叉分析–2.分组分析1.交叉分析交叉分析的含义是在纵向分析法和...交叉分析一定要和假设检验连用会更好首先,作者的理解是:交叉分析,一定是二维的,需要两个因子,要不无法交叉,...

    python数据分析 -第三次笔记

    –1.交叉分析

    –2.分组分析

    1.交叉分析

    交叉分析的含义是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法。这种方法虽然复杂,但它弥补了“各自为政”分析方法所带来的偏差。

    其实主要的用法是:用于分析两个变量之间的关系。

    交叉分析一定要和假设检验连用会更好

    首先,作者的理解是:交叉分析,一定是二维的,需要两个因子,要不无法交叉,那既然交叉了,就可以做成透视表,这两个因子一个为行,一个为列,然后做假设检验,判断P值是否小于0.0.5,这样就更加清晰明了

    编程实现:

    采用的是T检验假设

    *第一步,提取数据

    import pandas as pd

    import numpy as np

    import scipy.stats as ss

    import matplotlib.pyplot as plt

    import seaborn as sns

    #设置图片的字体 font_scale

    sns.set_context(font_scale=1.5)

    df=pd.read_csv("./data/HR.csv")

    #分组indices获得分组后的数据的索引,下标

    #'''

    dp_indices=df.groupby(by="department").indices

    #取出left的sales的值

    #loc : 通过行标签索引行数据

    #iloc : 通过行号索引行数据

    sales_values=df["left"].iloc[dp_indices["sales"]].values

    #取出left的technical的值

    technical_values=df["left"].iloc[dp_indices["technical"]].values

    *第二步,T检验

    #输出这两个变量的t检验的P值 ss.ttest_ind()[1]

    print(ss.ttest_ind(sales_values,technical_values)[1])

    #然后分组后的department数据,按组为一个因子两两求P值

    #取出department分组后的keys键名称

    dp_keys=list(dp_indices.keys())

    #初始化一个dp_t_mat的矩阵

    dp_t_mat=np.zeros([len(dp_keys),len(dp_keys)])

    #便利每一个数据

    for i in range(len(dp_keys)):

    for j in range(len(dp_keys)):

    #t检验

    p_value=ss.ttest_ind(df["left"].iloc[dp_indices[dp_keys[i]]].values,\

    df["left"].iloc[dp_indices[dp_keys[j]]].values)[1]

    #t检验的P值小于0.05赋-1,就是让heatmap绘出的图形,更加具有区分性

    if p_value<0.05:

    dp_t_mat[i][j]=-1

    else:

    #把P值赋给dp_t_mat矩阵

    dp_t_mat[i][j] = p_value

    *第三步,绘图

    #画图

    sns.heatmap(dp_t_mat,xticklabels=dp_keys,yticklabels=dp_keys)

    plt.show()

    d14a000309d61d6d5ee9a591f37bb02d.png

    *利用透视表,交叉分析

    #建一个透视表pd.pivot_table()

    #values="left"我们看得值是left,横坐标index设置为promotion_last_5years,再指定一个salary,

    #纵坐标columns 表示Work_accident,聚合方法aggfunc,设为平均数,是一个函数

    piv_tb=pd.pivot_table(df,values="left",index=["promotion_last_5years","salary"],\

    columns=["Work_accident"],aggfunc=np.mean)

    #画图,透视表,填入这张表piv_tb,最小值vmin,最大值vmax,颜色cmap

    sns.heatmap(piv_tb,vmin=0,vmax=1,cmap=sns.color_palette("Reds",n_colors=256))

    plt.show()

    7ee90e068683bf80da1158c9b4db8895.png

    2.分组分析

    *分组分析的含义:是指将客体(问卷、特征、现实)按研究要求进行分类编组,使得同组客体之间的差别小于各种客体之间的差别,进而进行分析研究的方法。

    分组分析,一般是利用条形图绘制的,绘制条形图主要是利用seaborn模块的barplot()和countplot()条形图函数。

    这里讲一下barplot()和countplot()之间的区别:

    *barplot(条形图)

    条形图表示数值变量与每个矩形高度的中心趋势的估计值,并使用误差线提供关于该估计值附近的不确定性的一些指示。具体用法如下:

    *countplot()绘制

    一个计数图可以被认为是一个分类直方图,而不是定量的变量。基本的api和选项与barplot()相同,因此您可以比较嵌套变量中的计数。(工作原理就是对输入的数据分类,条形图显示各个分类的数量)具体用法如下:

    seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)

    注:countplot参数和barplot基本差不多,可以对比着记忆,有一点不同的是countplot中不能同时输入x和y,且countplot没有误差棒。

    *分组分析的编程实现

    import pandas as pd

    import matplotlib.pyplot as plt

    import seaborn as sns

    #设置图片的字体 font_scale

    sns.set_context(font_scale=1.5)

    df=pd.read_csv("./data/HR.csv")

    #离散分组

    #绘条形图

    #sns.barplot(x="salary",y="left",hue="department",data=df)

    #plt.show()

    #连续分组

    sl_s=df["satisfaction_level"]

    sns.barplot(list(range(len(sl_s))), sl_s.sort_values())

    plt.show()

    绘图结果

    7625aca12d0fd9437bf5cf874d732b4d.png

    *第二种,利用不纯度(Gini系数)

    #可能平方和

    def getProbSS(s):

    if not isinstance(s,pd.core.series.Series):

    s=pd.Series(s)

    prt_ary = pd.groupby(s, by=s).count().values / float(len(s))

    return sum(prt_ary**2)

    #求Gini的值

    def getGini(s1,s2):

    d=dict()

    for i in list(range(len(s1))):

    d[s1[i]]=d.get(s1[i],[]) + [s2[i]]

    return 1-sum([getProbSS(d[k])*len(d[k]) / float(len(s1)) for k in d])

    print("getGini",getGini(s1,s2))

    展开全文
  • 交叉分析DEMO

    2013-11-04 10:49:01
    交叉分析可分为单层的交叉分析和多层的交叉分析。单层的交叉分析,行维度和列维度分别只有一项字段;多层的交叉分析,行维度和列维度的字段数目一般有多个。这里以单层交叉分析为例。 下面将以某超市分别在西南、...
             交叉分析可分为单层的交叉分析和多层的交叉分析。单层的交叉分析,行维度和列维度分别只有一项字段;多层的交叉分析,行维度和列维度的字段数目一般有多个。这里以单层交叉分析为例。

    下面将以某超市分别在西南、西北、华中、华南、华东、华北、东北七个地区当日所售海鲜粉、牛奶、番茄酱的销售金额为例,详细介绍交叉分析设计过程。


    具体的设计步骤如下:

    第一,选择数据源数据集

    第二,行列维度选择

    从可选维度面板分别为设计面板选择合适的维度,操作方法为鼠标左键选中需要的字段拖到设计面板的行(列)维度区域即可。


    当已拖入的字段较多的时候,字段是可以拖放到最后一条的,只要有注意以下两个问题:

    1.由于将字段拖放到最后一条时,组件区域显示不下,提示的红线被其他区块挡住,显示不显示红线。

    2.拖拽组件的显示区域不能超过显示字段的区域,否则会显示红叉表示不可拖入。

    第三,汇总维度选择

    汇总字段选择方法与行列维度选择方法相同。


    第四,设置汇总维度的销售金额的格式

    点击汇总维度的设置图标,切换到格式tab页对汇总字段销售金额进行格式设置,这里选择货币的第二种显示格式。


    第五,报表显示风格和标题设置

    点击操作栏中的基本设置按钮,对报表的标题和底栏进行修改,在风格下拉菜单中选择第三种报表风格。


    第六,应用

    设置完报表相关属性后,点击设计面板下方的【应用】按钮,即可在报表数据预览区域预览到所制作的报表。

    需要注意的是:报表的数据量较大时,数据计算时间较长,可需要先进行阈值设置以报表数据预览的效率。

    第七,打印、导出

    制作出满意的报表之后,用户可点击打印按钮来进行打印设置和预览并进行打印,也可以点击导出按钮将报表按照需要的格式导出。


    展开全文
  • python 交叉分析应用

    2020-08-31 00:33:14
    假设某客户某段时间内购买规模下跌较大,可以从产品类型、新购/退还/组件变配去交叉分析,尽可能从数据特征上追溯出客户行为特征,结合其它客户业务背景,总结出导致规模下跌的主要原因以及应对策略。 简单的变动...
  • 交叉分析的含义是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法。这种方法虽然复杂,但它弥补了“各自为政”分析方法所带来的偏差。 其实主要的用法是:用于...
  • 系统演变过程交叉分析力学的基本方程和函数,李宗诚,,本文探讨建立开放系统的类完备过程交叉分析力学基本函数和方程,进而建立开放系统的类完备过程交叉分析力学泛正则函数和方程。最
  • python 交叉分析 笔记

    2019-04-29 22:22:52
    import pandas as pd import numpy as np import scipy.stats as ss import matplotlib.pyplot as plt ...#交叉分析 df = pd.read_csv('HR_comma_sep.csv') dp_indices = df.groupby(by="sales").in...
  • 开放系统类发展过程交叉分析力学的主要模式,李宗诚,,本文将从系统的自身发展过程方面,对于一系列具有类发展过程的系统给 出交叉分析力学模式。
  • 开放系统类运动过程交叉分析力学的主要模式,李宗诚,,本文将从系统的整体运动过程方面,对于一系列具有类运动过程的系统给 出交叉分析力学模式。
  • #1、概念:交叉分析,通常用于分析两个或两个以上,分组变量之间的关系,以交叉表形式进行变量间关系的对比分析; #可以有三种情况下的交叉:定量与定量分组进行交叉;定量与定性分组进行交叉;定性与定性分组进行...
  • 量子耗散系统交叉分析结点和超越完备物理量,李宗诚,,本文将进一步把交叉性完备分析方法和耗散性统计分析方法紧密结合起来, 给出超越类运动物理量、超越类发展物理量和超越类完备物�
  • Python交叉分析学习笔记 本文将介绍两种方法来进行交叉分析:1.T检验 2.数据透视表,数据源:百度网盘,课程来源:慕课网 方法1:独立T检验 任意取两个属性,根据独立T检验结果,判断两者之间的关系 1.导入数据 df=...
  • 系统演变过程交叉分析力学量和状态对应关系,李宗诚,,本文在用于分析质点确定性运动的分析力学相空间和用于分析系综随机性 分布运动的统计力学相空间之间,引入用于分析配置结点复杂�
  • 非平衡态量子场交叉分析物理及其超越完备化,李宗诚,,本文在二级交叉分析空间给出量子场的超越类完备坐标 ,并给出超越类完备动量 ,进而将这种场坐标和相应的动量联系起来,引出超越�
  • XAF实现交叉分析

    2017-03-17 19:00:00
    如何实现如图的交叉分析? In this lesson, you will learn how to add the Analysis functionality to your application. For this purpose, you will add the Analysis business class and the Pivot Chart ...
  • 二级超越完备量子场交叉分析物理的泛守恒原理,李宗诚,,本文在交叉分析空间引出泛对称性,并建立相应的泛守恒律;进而在泛对称性之下,由类运动空间和类发展空间分别引出类对称性(分为
  • 开放系统类完备过程交叉分析力学的主要模式 ( II ),李宗诚,,本文将把系统的整体运动过程和自身发展过程这两方面结合起来,对于一 系列具有类完备过程的系统进一步给出交叉分析力学模式(II�
  • 开放系统类完备过程交叉分析力学的主要模式 ( I ),李宗诚,,本文将把系统的整体运动过程和自身发展过程这两方面结合起来,对于一 系列具有类完备过程的系统给出交叉分析力学模式(I)。
  • 量子耗散系统交叉分析基础:结点和新物理量,李宗诚,,通过由运动空间和发展空间共同构成的完备空间,本文在量子力学的Hilbert空间和经典物理的相空间之间建立量子类完备分布 ,以给出量�
  • 零自旋超越完备量子场交叉分析物理一般基础,李宗诚,,本文探讨定域场论的量子超越完备化问题。在零自旋类完备场和它的算符之 间,建立零自旋超越类完备场,进而建立零自旋的非理想性�
  • 一级交叉分析数学:外部流量空间和外部熵流空间,李宗诚,,本文试图拓展动力系统分析的基础,其内容可分为两个基本方面:一方面是由数学定义下的外部流量密度ρ和数量Q构成外部流量空间 ( ρ,
  • 非零自旋型超越完备量子场交叉分析物理基础,李宗诚,,本文探讨非零自旋量子场的超越完备化问题。在非零自旋类完备场和它的算符之间,建立非零自旋超越类完备场,进而建立非零自旋的非

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,139
精华内容 2,855
关键字:

交叉分析