精华内容
下载资源
问答
  • 样本量较小(这显然是具有一些特征的定量研究)且面板不平衡时,Swamy-Arora(SA)估计量优于默认随机...本文用一个案例演示了如何用R语言Swamy-Arora估计,国内针对面板数据计量很少有R语言资料,希望能抛砖引玉。

    为什么要用当Swamy Arora估计?

    样本量较小(这显然是具有一些特征的定量研究)且面板不平衡时,Swamy-Arora(SA)估计量优于默认随机效应模型。
    更多信息参见: Baltagi, B. H., and Y.-J. Chang. 1994. Incomplete panels: A comparative study of alternative estimators for the unbalanced one-way error component regression model. Journal of Econometrics 62: 67–89.

    引用自回答:https://www.statalist.org/forums/forum/general-stata-discussion/general/1410197-estimating-coefficients-with-random-effects-v-swamy-arora

    什么是不平衡面板就不细说了,网上一搜一大堆解释……

    案例

    还是之前的数据,提供一种在R中包导入数据的功能。

    install.packages("Ecdat")
    data("Grunfeld", package = "Ecdat") # 从刚刚安装的包中导入数据
    View(Grunfeld)
    

    数据导入成功,下面是数据部分样式:
    在这里插入图片描述

    然后对数据进行Swamy Arora估计
    我们的任务是:

    给定模型在这里插入图片描述
    要求计算:
    在这里插入图片描述

    计算原理

    在这里插入图片描述
    在这里插入图片描述

    R语言实现

    grun.individual <- plm(inv ~ value + capital, data = Grunfeld, effect = "individual", model = "random", random.method = "amemiya") 
    #注意上面的effect指定为individual是因为题设条件要求γt为0
    summary(grun.individual)
    

    结果:
    在这里插入图片描述

    解读

    上图的Effects部分,对应着参数估计idiosyncratic error εit。即为idiosyncratic。所以题目三个参数的估计结果分别是:
    6477.37;2755.15;0.8557(注意对照上图的顺序)
    (主要是我Windows电脑拿去修了,不好绘图,没在图上画)

    而Swamy Arora的随机效应模型估计结果即Coefficient部分,此处解读省略,详细可参见下面博客链接。

    tips

    如果你觉得这个部分理解起来有点困难,或者安装plm包出现问题,可参照我之前博客:《R语言 面板数据分析 plm包实现(固定效应模型和组内模型)》

    展开全文
  • 文本主要阐述了R语言中如何用plm包做面板数据分析,几种模型的具体实现。 包括pool模型,LSDV模型,组内模型(within),时间固定效应Panel模型 和个体和时间双维固定效应模型。 提供了一个数据集供读者以复现

    LSDV是虚拟变量回归。
    如果想看如何判断面板数据适用随机效应模型还是固定效应模型,参见这篇文章:
    R语言 面板数据分析 plm包实现(三)——面板数据与面板模型的检验
    如果想看随机效应模型怎么做,参见这篇文章
    R语言 面板数据分析 plm包实现(二)——随机效应模型
    使用随机效应模型,且一些时间或个体存在数据缺失,应当使用Swamy Arora估计,如何用R语言来实现,参见这篇文章:
    R语言 面板数据如何做Swamy Arora估计

    看完这篇文章,如果对你有帮助,请帮我点个赞或者star哦~

    1.安装plm包

    可能会遇到错误:
    在这里插入图片描述
    采用这个指令进行安装:

    install.packages("plm",type = "binary")
    library(plm)
    

    安装完成

    2.模型描述

    有数据集:Ex1_1.dta
    数据样式:
    点击下载在这里插入图片描述
    其中FN代表公司,总共有三家;YR代表年份;I是总投资;F是企业实际价值;C是企业实际资本存量。

    更多解释:
    在这里插入图片描述

    数据导入

    这个数据集是stata的数据集,因此在Rstudio中你可以选择文件–>导入数据集(import dataset)–>导入stata文件,即可完成导入工作

    此外,我好像在其它地方也看见过此数据集,如果你无法下载,可以在其它地方寻找数据集(我印象里是在某个面板相关的R程序包里自带的数据集)。

    很多童鞋反映数据集获取困难,我把这个数据集上传到github的一个项目里了(免费),注意,只有一个文件是数据集。如果有帮到你,请给文章点个赞哦~

    3.pool 模型

    在这里插入图片描述
    Pool模型本质上是对变量去整体均值后进行 OLS 估计,也可以用plm包提供功能实现
    首先对数据进行处理使其变为data.frame

    rankData<-pdata.frame(Ex1_1,index=c("FN","YR")) #index里是个体和时间,转化为面板数据
    pool <- plm(I~ F + C,data=rankData,model="pooling")
    summary(pool)
    

    结果:
    在这里插入图片描述
    特别的,和OLS做对比

    ols =  lm(I~ F + C,data=rankData)
    summary(ols)
    

    在这里插入图片描述

    可见,结果是一样的,从软件结果进一步证实了数学推导,即忽略个体均值和时间差异的pool模型等价于OLS模型。

    4.个体固定效应的Panel模型——不考虑时间差异,考虑公司差异的估计

    在这里插入图片描述

    4.1LSDV(虚拟变量OLS回归)模型

    增加一个factor因子即可:
    注意:factor-1才能展现出十家公司,因为事实上公司设置了虚拟变量

    LSDV = lm(I~F+C+factor(FN)-1,data = Ex1_1)#factor-1才能展现出十家公司,因为事实上公司设置了虚拟变量
    summary(LSDV)
    

    结果:

    在这里插入图片描述
    解读:

    • F,C分别代表企业流通股票总价值和企业资本存量,此外还展示了 分别以十家公司做虚拟变量的估计结果,即不同公司是否显著影响企业的投资。

      即总共估计的参数是2+9共11个(9个虚拟变量是为了防止完全的多重共线性
      可以使用

    4.2组内模型(within)

    rankData<-pdata.frame(Ex1_1,index=c("FN","YR"))#第一个参数是面板的个体,第二个参数是面板的时间
    within <- plm(I~ F + C,data=rankData,effect = "individual",model="within")
    #within组内方法,检验不同个体是否存在差异(忽视时间影响)
    summary(within) 
    

    在这里插入图片描述
    解读

    • 公司股票价值每增加一个单位,对企业投资的贡献为0.11个单位;公司实际资本存量每增加一个单位,对企业投资对贡献为0.31个单位,这两个解释变量对被解释变量对贡献程度为75.31%

    可见,回归结果4.1和4.2相同,即LSDV(虚拟变量OLS回归)和within方法结果相同。

    可以使用下面的函数打印偏离总体截距的情况(注意属于one-way model,关于one-way model 和two-way model 的区别,可以点击网页链接查看

    fixef(within)
    

    在这里插入图片描述
    如果想查看它们的标准误差以及与总体截距相等的检验等详细信息,可以这样做:

    summary(fixef(within))
    

    在这里插入图片描述
    下面展示截距项类似,我就不再赘述

    5 时间固定效应Panel模型——考虑时间差异忽略公司差异

    在这里插入图片描述
    采用组内模型进行估计(也可用4.1方法进行估计,把factor(……)中的参数FN改成YR即可,结果是一样的)

    rankData<-pdata.frame(Ex1_1,index=c("FN","YR"))#第一个参数是面板的个体,第二个参数是面板的时间
    within2 = plm(I~ F + C,data=rankData,effect = "time",model="within")
    #within组内方法,检验不同时间是否存在差异(忽视个体影响)
    summary(within2)
    

    在这里插入图片描述

    解读

    • 用第4节中相似的办法可以解读

    6.个体和时间双维固定效应模型–Panel数据

    在这里插入图片描述

    rankData<-pdata.frame(Ex1_1,index=c("FN","YR"))#第一个参数是面板的个体,第二个参数是面板的时间
    within3 <- plm(I~ F + C,data=rankData,effect = "twoways",model="within")
    #twoways参数既考虑个体效益,也考虑时间效应
    summary(within3)
    

    在这里插入图片描述

    解读
    解读类似上面。此外F,C的F检验都是显著的(F,C后面的三个星号*)。拒绝全为0的原假设。

    7.可供参考的资料

    从经管之家帖子看到的

    R计量的不多,你下载下面的书去看面板的章节把
    Applied Econometrics with R
    伍德里奇的配套的书
    Principles of Econometrics with R https://bbs.pinggu.org/thread-4805190-1-1.html

    或者看 plm包的说明文件(个人不太推荐,感觉写的不清楚)
    helphttps://www.jstatsoft.org/article/view/v027i02
    https://cran.r-project.org/web/views/Econometrics.html

    展开全文
  • Excel如何限制输入数据长度

    千次阅读 2018-11-07 10:08:03
    平常使用Excel的网友在制作工作表格时会遇到这样的需求,在制作用来他人填写信息的表格中对某些单元格输入数据长度限制会带来很大便利,那么如何进行设置呢,接下来我将一步步进行说明: 工具/原料 Excel ...

    平常使用Excel的网友在制作工作表格时会遇到这样的需求,在制作用来他人填写信息的表格中对某些单元格做输入数据长度限制会带来很大便利,那么如何进行设置呢,接下来我将一步步进行说明:

    工具/原料

    • Excel

    方法/步骤

    1. 第一步,准备数据。首先打开Excel并新建一个工作簿,输入相应的测试数据,如下图所示:

      Excel如何限制输入数据长度

    2. 第二步,数据设置。首先将工具栏切换至“数据”编辑面板,然后点击“数据验证”,接着点击弹框中的“数据验证”,如下图所示:

      Excel如何限制输入数据长度

      Excel如何限制输入数据长度

    3. 第三步,验证位置。在“数据验证”弹框中的“设置”面板中,将验证条件的“允许”选择为“文本长度”、数据选择为“小于或等于”、最大值填写为“8”(可按自己的实际要求进行填写),如下图所示:

      Excel如何限制输入数据长度

    4. 第四步,输入信息。将“数据验证”弹框中的面板切换至“输入信息”面板,然后输入“标题”和“输入信息”(这里以“最多输入8个字符”为例),最后点击“确定”按钮,如下图所示:

      Excel如何限制输入数据长度

    5. 第五步,完成设置。这样整个设置就结束了,我们可以看到“最多输入8个字符”的提示信息,如下图所示:

      Excel如何限制输入数据长度

    6. 第六步,验证结果。现在我们在“账号”栏输入“123456789”,然后将光标移至其它地方,发现出现了错误提示信息,这表明我们设置成功了,如下图所示:

      Excel如何限制输入数据长度

    展开全文
  • 在Tableau中,根据不同的合并方式和数据处理阶段,使用了不同的用词:数据并集(用于相同数据结构的上下相续),数据连接(基于关联字段把数据左右相连),数据混合(在视图层面把聚合数据做匹配) 数据并集 结构完全...

    一、行级别合并:并集、连接与Desktop方法

    • 数据合并:把来自不同数据源的数据结合在一起
    • 在Tableau中,根据不同的合并方式和数据处理阶段,使用了不同的用词:数据并集(用于相同数据结构的上下相续),数据连接(基于关联字段把数据左右相连),数据混合(在视图层面把聚合数据做匹配)

    1. 数据并集

    • 结构完全相同指字段标题名称及其数据类型一致,任何一个的不匹配都会导致并集错误
    • 创建并集的方法:
    • (1) 打开Desktop,从左侧的数据连接面板连接本地的数据文件。
    • (2) 三种方法任选其一,特定(手动)创建并集。
      a. 双击左侧数据底部的“新建并集”
      b. 在已有单表连接处点击右侧小三角图形,在弹出的菜单中选择“转化为并集”
      c. 直接把另一个需要并集的文件拖曳到之前的图例下方,同时会有“将表拖至并集”的提醒。
    • (3) 使用“通配符(自动)”合并多个文件(可选)
    • (4) 异常处理(可选)
    • 注意:
    • 数据整理主要用于Excel等本地数据环境中,极少用于数据库环境
    • 虽然使用Prep Builder做数据并集会更直观、更简单,但初非必要,不要把数据整理和可视化分析分开,使用Desktop同步完成数据并集和可视化有助于保持思维的连贯性

    2. 数据连接
    (1)建立连接
    (2)修改连接

    3. 并集与连接的异同点

    • 共同点
    • 二者都是行级别的合并,并集是把多个文件的所有行都前后相续,了解是在每一行上匹配字段,行级别意味着没有任何的聚合计算参与其中
    • 并集和连接的结果都是产生新的数据源,而不再是存在一个单独的数据表
    • 既然是行级别合并,并且产生了新的数据源,因此一旦开始可视化分析的过程,数据源就保持不变,不能在分析过程中修改?具有这种特征的数据表,称之为“物理表”
    • 差异
    1. 并集是相同数据结构的前后相续,连接是不同数据的左右相连(并集一定会增加行数,但不会增加新字段(除了Tableau自动生成的辅助字段)。连接必然增加字段的数量,但不一定增加行数,是否增加行数取决于连接方式和是否有重复内容)

    2. 并集比连接更优先

    3. 连接可以跨数据源连接,而并集限于同一数据源

    二、视图级别合并:数据混合与Desktop方法

    先计算聚合再按照维度匹配,这个过程是“聚合层面的数据连接”,又称之为“数据混合”。

    1. 使用Desktop进行数据混合

    Tableau Desktop单一层次的工作表,和Excel的数据透视表原理一样,都是基于指定字段的数据聚合

    • 方法:
    1. 新建辅助数据源
    2. 匹配数据源关系
    3. 跨数据源集合查询
    4. 创建“完成比率”
    5. 在视图中调整主视图的详细级别(不同于并集和连接生成一个完整的数据结果,在数据混合中,两个数据源是完全独立的。主视图焦点是在“主数据源”基础上创建的,之后引入“辅助数据源”字段。正是因为数据混合中的两个数据源相互独立,相互之间的数据连接字段可以根据视图需要调整,因此具有了绝无仅有的灵活性)

    2. 数据混合的逻辑及其与连接的差异

    数据混合是在聚合层面的查询和合并(聚合过程类似于Excel的数据透视表),而数据连接是在行级别的查询和匹配(类似于Excel的VLOOKUP函数)。Tableau的聚合意味着视图,所以数据混合可以理解为在已经创建好的视图的基础上增加新字段的“视图升级”。

    • “数据合并”的最终概括:
    • 数据并集优先于数据连接,二者都是行级别(数据库层面)的合并
    • 数据并集和连接是构建视图的准备,因此必定先于视图完成
    • 数据混合是对已有视图的升级完善,因此必定后于视图而可用
    • 构建主视图的数据源是主数据源,通过混合加入的是辅数据源

    三、使用Prep Builder做数据合并

    1. 使用Prep Builder完成数据并集

    1. 把文件拖曳到另一个上(悬浮)
    2. 按照提示选择合并方式(悬浮)
    3. 释放鼠标,建立合并(并集)
    4. 把文件拖曳到并集上(悬浮)
    5. 按照提示选择合并方式——添加
    6. 释放鼠标,添加到并集

    2. 使用Prep Builder做数据连接

    1. 添加数据建立连接
    2. 设置连接字段和连接类型
    • 连接设置的关键:一是连接字段(用什么匹配);二是连接类型(取哪一部分)

    3. 使用PrepBuilder完成“数据混合”:聚合+连接

    • 从结果角度看:

    Desktop和Prep Builder的混合过程的原理完全一样,具体而言是“将两个数据源都聚合到相同的详细级别”和“相同级别数据的聚合数据的合并”两个步骤

    • 从过程上看:
    • Desktop中的数据混合是建立在两个完全独立的数据源基础上的,混合只是创建了一个临时的查询结果,而Prep Builder实际上是创建了一个全新的数据结果,Prep Builder中本质上就是一次连接,因此具有连接的全部特征
    • Desktop的混合是虚拟的混合可以通过点击左侧的关联字段随时调整,可以在视图中随时增加新的字段自动建立全新层次的混合;但是在Prep Builder中,聚合一旦确定,结果一旦输出,就无法自动调整级别。混合的意义在于分析过程中的灵活性,而这正是Prep Builder所缺少的
    • 基于上述的差别,不推荐在Prep Builder中创建Desktop意义的混合。Prep Builder的价值在于指定层次的聚合,在于为可视化分析创建数据模型

    四、如何选择数据合并方式

    • 严格地讲,数据合并只有两类:相同的上下相续,不同的左右连接,前者称之为并集,后者称之为连接,再无其他类型。
    • 连接在不同阶段又有巨大的差异,因此分为两种情形:一种是连接数据库后、构建视图之前的数据连接,此时是行级别的,相当于Excel中的VLOOKUP函数,相对简单易懂;另一种是在构建视图之后,在聚合的结果之后增加另一个数据库的聚合结果,相当于Excel中的一个数据透视表的结果和另一个透视表合并,此时是视图级别的聚合连接,相对不容易理解。后者又被称为“数据混合”。
    • 选择合适的数据合并方法的判断标准:
    • 完全相同的数据用并集,常见于本地文件。
    • 有共同字段、详细级别相同的数据表可以连接合并。
    • 超级大的数据、不同详细级别的数据在视图层次的合并,使用数据混合
    • 数据连接和混合的区别:
    • 数据混合更加灵活、速度更快,它不仅保留了两个数据源的独立性,而且可随分析需要灵活使用。
    • 数据连接必须先于视图在行级别做连接,虽然灵活性不高,但胜在稳定性,因此常用于确定性的匹配。
    • 影响选择的主要因素:

    数据结构的一致性、数据层次的一致性,同时也要考虑数据库类型的兼容能力、数据量的多少

    和数据连接相比,数据混合具有明显的优势,它有助于减少数据垃圾,改善数据查询性能,而且不会影响其他数据源及其视图。特别是以下几种情形:

    • 数据量非常大,数据连接会导致严重的性能问题。
    • 两个数据源在不同的详细级别(层次)。
    • 当一方面希望保持两个数据源的独立性时,另一方面希望做两个数据源的关键匹配。
    • 跨数据源的数据连接不支持的特殊数据库类型。

    五、数据模型:数据关系

    数据关系是一种全新的合并数据方法:基于共同的字段在多个相互独立、层次不同的数据表之间建立关系,既无须像连接一样合并在一起,又不像数据混合一样无法反复使用。

    1. 从物理表到逻辑表:数据关系的背景与特殊性

    “数据关系”相当于此前数据连接的位置,但是并非以物理表的形式,而是以数据混合一样的逻辑关系出现的。这样,它就既具有数据混合的灵活性,保持数据表相互独立的同时,根据分析需要实现不同详细级别的数据合并,又具有数据连接的稳定特征,还可以发布之后反复使用。

    准确地说,数据模型,就是基于数据分析的需求而建立的各种物理表之间的相互关系,以逻辑的关系代替物理的连接。借助于数据关系,之前的数据连接面板就从单一的物理层,变成了逻辑层和物理层两层结构。

    2. 数据模型(上):以数据关系实现数据连接

    • 基于“数据关系”模型与基于连接的数据连接面板有两个区别:
    1. 由于数据连接并没有合并两个数据,因此点击每个表,都仅仅包含当前物理表内的字段(包括并集默认生成的“路径”字段),但不包含逻辑层另一个物理表的数据。每一个物理表,都可以独立使用别名、分组、计算字段等数据整理功能。
    2. 新建一个工作簿,“数据”窗格会分别显示多个表的字段,每个表包含表内的维度和度量字段;这样的显示方法比之前更加清晰。此前的“记录数”被每个表的单独计数所取代——因为数据关系下的数据源是相对独立的。
    • 在新建工作表之前的所有设置,比如连接数据源、设置关系、修改字段类型等,都是数据整理和数据准备的过程。进入工作表,就可以开始可视化了。

    3. 数据模型(下):建立物理层和逻辑层的多层关系

    1. 准备数据
    2. 使用数据关系,建立不同层次的数据关联
    3. 数据可视化
    4. 建立物理表连接

    4. 改善数据模型的性能(上):关系类型

    常见的数据关系类型有一对一、一对多、多对多三种类型。在数据分析中,字段之间的关系类型用来描述字段中数据的匹配关系。

    在为数据关系设置关系字段之后,Tableau默认按照“多对多”的关系来查询,不过多对多的查询意味着计算和性能。点击关系字段下方的“性能选项”,可以明确地指定关系类型和引用完整性,建立更加准确的数据关系。

    数据关系的目的是为了构建可视化分析所需要的数据聚合,因此可以用聚合理解关系类型和引用完整性的原理。如果数据关系是一对一的,那么构建视图前的过程就是连接,而后根据可视化需要做聚合

    5. 改善数据模型的性能(下):引用完整性

    数据关系是逻辑上的关联,分析前Tableau会引发数据查询的请求并连接在一起,引用完整性决定分析前数据连接的类型(左连接、右连接)

    • 有两种“引用完整性”的选项:所有记录匹配和某些记录匹配。
    • 某些记录匹配:如果关键字段下部分数据在对应的关联数据表中没有匹配数据,或者不清楚时选择该选项
    • 所有记录匹配:如果关联字段下所有数据都对应的关联数据表中有匹配数据,那么选择该选项

    6. 从数据合并迈向数据建模

    • 相对于连接,数据关系具有几个独有的特征
    • 仅需要设置关系字段,即可定义数据关系
    • 支持不同详细级别之间的数据建立关联,分析过程会自动聚合
    • 既保持了数据表的独立性,又可能作为数据源发布,反复使用
    • 借助物理层和逻辑层的双层构建,从此支持数据连接的逻辑建模
    • 数据关系与数据连接的区别:
    • 数据连接成为构建数据关系的基础技术——为数据关系提供物理层的数据合并
    • 连接与关系对比图:
      在这里插入图片描述
    • 数据关系与数据混合
    • 数据关系和数据混合的共同之处,是支持不同详细级别的数据合并。而其最大的差异是数据混合是可视化层面的临时查询,无须提前构建,数据保持独立,连接层次灵活;而数据关系则是数据可视化前的模型构建,需要配置关联字段,连接层次是根据字段提前设定的。
    • 数据混合与数据关系的对比
      在这里插入图片描述
    • 如何选择并集、连接和数据关系
    • 并集:数据结构完全一致的数据合并,常见于本地文件。
    • 连接:有共同字段、详细级别相同的数据合并,并且希望生成独立数据表。
    • 混合:完全独立的数据源之间的临时关联分析。
    • 关系:数据量大的数据表之间,保持相互独立,又能反复使用。

    内容来源于喜乐君的数据可视化分析 Tableau原理与实践一书

    展开全文
  • 今天想个管理系统,需要用到数据库,还要设置数据源,可是当我打开控制面板的管理工具的数据源发现只有SQL驱动,找不到access,因为我是用acess的啊,所以就很郁闷,不过看到了一个方法,好吧,我先问了8个人,...
  • 第二种就是连接数据库 那么在连接数据参数化的时候 我们首先要的是 穿件连接数据库的oDBC,怎么创建呢????重点来啦!!!1.打开控制面板:2.选择管理工具3.win10 系统有两个位数的ODBC 分别是32 和64位 在这...
  • 设计和开发出色数据表的20条规则 表格和网格一直是产品和后台面板的重要UI组件。...我使用过 30 多种 SaaS 工具和 SDK ,经常用它们的后台面板数据,观察到了一些问题并了反馈。实话说,它们在UI设计和基本...
  • 电脑出现数据丢失误删的情况应该如何应对  最近电脑一直出现问题,询问了一下有经验的朋友,说是让我先对电脑进行清理,可以除了用杀毒软件什么的清理一下垃圾,我还会的,就是在控制面板里找到不怎么使用的...
  • //将数据绑定到Grid面板上 System.Windows.Controls.Grid gr = new System.Windows.Controls.Grid(); gr.Children.Add(chart); Simon.Children.Add(gr); } /// /// 窗体加载 /// /// ...
  • 第一台电脑设置 二:将ip地址和网关设为192.168.0.1 目的是让这台电脑另一台电脑的网关。 子网掩码一点击自动添加。 4 第二台电脑同样打开设置 然后,设置为如图所示:此处的ip地址最后点后的数可以...
  • 根据我的计划,在收集了所有数据或计算的答案后,具有不同的截面长度和分隔距离值,(最终答案将是计算电流参数面板上的感应电压VLFI),我想绘制一个图形相对于感应电压的截面长度。 请教我怎么,这样我才能理解...
  • ,简单的来说也就是代码枚举几种类型,我选择A,就出现A的相关数据,选择B就出现B的相关数据,如果不这种效果,inspector面板就会有很多东西,太乱。好了,下面开始教如何制作这个种效果的: 先新建一个C#脚本,...
  • 简单来说,SolidWorks钣金的边角处理功能一共有三种:闭合角、焊接的边角和断开边角/边角剪裁。 如何利用SolidWorks软件的钣金功能...4、在面板上输入数据偏转的角度,在编辑特征中把角度调整为“45°”即可。 ...
  • 它遵循我的博士学位的主题,并说明了几种不同的竞争性学习算法如何处理简单的可绘制二维数据。 如果您对这些事情感兴趣,非常适合可视化发生的事情! 转到查看实际效果 这个怎么运作 从命令面板中选择正方形或圆形...
  • web应用,表单是经常要看到吧,表单如何绘制,表单的数据如何提交的这些问题,我们看extjs如何解决? 我们创建一个典型的用户注册的表单,然后创建servlet,与前台一下简单的数据交互。   form.js: Ext....
  • Stata空间杜宾模型、莫兰指数等操作

    万次阅读 多人点赞 2019-03-10 20:28:59
    以下内容完全由本人在实际操作中搜集整理总结得到,很细致的介绍:从如何在stata中导入数据,怎么定义面板数据,再到如何做局部和全局空间相关性检验(莫兰指数)和空间杜宾模型等。 1、导入面板数据 在excel中...
  • 第一个是画图的,继承于viewer,第二个是画左侧面板的,第三个是画图右侧面板的。第四个是国际化的。 由于vue的export default 里面包含几个固定的部分,data是数据,method是方法,这些都是可以发布出去的,然后...
  • 尤其是高端大气上档次的接待大厅、监控面板等,画面效果被老板严格要求,改来改去,领导还是觉得别人家的大屏更好看。 酷炫的大屏效果谁都想出来,但是要付出的时间精力令人望而却步。尤其是占据视觉中心地位...
  • 科学数据绘图程序,它没有什么新功能(但尝试得很好) 浏览数据就像浏览相册一样容易。 在左侧面板中选择文件(按住Ctrl或Shift可选择更多文件)。 自动检测数据和标题格式,并在右侧面板中以分配的颜色立即绘制...
  • 如何了解事件中回调函数的参数

    千次阅读 2013-03-25 15:32:53
    我要某个数据,怎么在事件中获取?其实,要解决这个问题很简单,甚至不用看API,自己去分析一下就好了。要分析,只要在事件的回调函数内加入以下语句:console.log(arguments);然后在Firebug中,就会把所有参数都...
  • 获取营业地点数据并将其转换为面板数据。 它还会产生杂项变量,例如企业是否公开交易以及在给定年份中还有多少其他地点 清理包裹数据 不完整,但具有清理宗地数据所需的骨架。 当我弄清楚如何整合宗地数据时,这是一...
  • 它直接在游戏中显示歌曲结尾处的乐谱图以及数据面板。 它还会将部分数据上传到beatsavior.io,在这里您可以在个人资料页面上查看最近的演出以及独家数据如何安装 转到右侧的“发布”选项卡,下载最新的DLL文件,...
  • 细心的用户注意到,在产品的数据配置面板中,如果选择API作为数据源,会有两个小的勾选项,分别是“由服务器发起请求(HTTP 代理)”和“需要 cookie (不选择代理并且需要获取cookie时使用)”。这两个选项是什么用...
  • 当我们本地数据库的数据作为测试的时候,需要服务器上的数据,但是每次都远程服务器打开数据库查看数据是很麻烦的,那么我们如何让本地的数据库连接服务器上的数据库。前提是你本地的数据库的版本必须和服务器上的...
  • 本系列博客学习由非官方人员 半颗心脏 潜心所力所写,仅仅个人技术交流分享,不任何商业用途。... 4、如何在天猫精灵IOT开放平台二次开发智能设备的 H5控制面板; 5、分享可商用的ESP8266 SDK连接阿里云物...

空空如也

空空如也

1 2 3 4 5 ... 13
收藏数 256
精华内容 102
关键字:

如何做面板数据