文章目录
 
 

  
一、前言
  
二、多重背包问题
  

   

    
1、状态设计
    
2、状态转移方程
    
3、对比 0/1 背包、完全背包问题
    
4、时间复杂度分析
   
 
  
三、多重背包问题的优化
  

   

    
1、空间复杂度优化
    
2、时间复杂度优化
   
 
  
四、多重背包问题的应用
  

   

    
1、负权容量
    
2、简单的优化
   
 
  
五、多重背包问题相关题集整理
 
 
 
 
一、前言
 
 
 
  如果对 0/1 背包 和 完全背包 已经完全理解，那么今天这一章的内容会显得非常简单，基本上没有太多新的内容，就当温故而知新好了。
 
 
二、多重背包问题
 
 
 
【例题1】有  

方差分析中的多重比较
 
1.当拒绝原假设时，表明μi（i=1，2，…，k）之间的差异是显著的，但μ1与μ2、μ1与μ3、…、μ1与μk、…、μk-1与μk之间究竟是哪两个均值不同呢？
 
这就需要做进一步的分析，所使用的方法就是多重比较方法（例如最小显著差异方法），它是通过对总体均值之间的配对比较来进步检验到底哪些均值之间存在差异。
 
2.方差分析中多重比较的作用是什么？
 
答：多重比较方法是通过对总体均值之间的配对比较来进步检验到底哪些均值之间存在差异。多重比较的方法有许多，常用的是由费希尔提出的最小显著差异方法（LSD）。
 
也可以说是已知主效应显著的情况下看看具体是自变量的哪几个水平间差异显著（因为方差分析一般是3个以上自变量水平间的比较，当然也可以做两水平的，但两水平不存在多重分析）。
 
多重比较又称事后检验，是紧接着方差分析后的分析步骤，当方差分析结果显示某变量主效应显著时，用多重比较进一步分析差异具体在该变量的哪个水平上。简单效应检验针对的是两个变量或多个变量间的交互作用，也是方差分析之后的步骤，当交互作用显著时，用简单效应检验考察某变量的效应在另一个变量的不同水平上的差异。
 

大概的理解是找出y除了μ1这个主效应之外其他相关μ指标。
 

多重比较陷阱
 
1.μ指标可能会有相互矛盾
 
2.还有可能出现过拟合的情况 未必能得出准确的结果
 
3.一开始就业务理解错误（那年杏花微雨 你说你是果郡王……
 

就酱，有问题请指正，祝大家健健康康~
 
 
 

我们平时使用到的多重索引，但是网上很少有人介绍如果获取多重索引本身的值，这部分的内容比上一节更加实用
 
获取多重索引的标签值
 
get_level_values()方法将返回一个特定级别上每个位置的标签向量:
 
iterables = [['bar', 'baz', 'foo', 'qux'], ['one', 'two']]
arrays = pd.MultiIndex.from_product(iterables, names=['first', 'second'])
arrays
'''
MultiIndex([('bar', 'one'),
            ('bar', 'two'),
            ('baz', 'one'),
            ('baz', 'two'),
            ('foo', 'one'),
            ('foo', 'two'),
            ('qux', 'one'),
            ('qux', 'two')],
           names=['first', 'second'])
'''

df = pd.DataFrame(np.random.randn(7,7), index=arrays[:7], columns=arrays[:7])
df
 
 
查看行|列的所有索引
 
 
获取行|列索引
 
 
获取特定的行|列索引
 
 
对索引进行转换类型
 
 
我当时全网找了好久，才在官网上发现了这些技巧，总结了一下，希望对你有帮助。
 
#########################################################
 写在最后：
 自己和朋友成立了一个工作室——图灵数据科学工作室（VX：DataUpward）：
 一是想和大家交个朋友；
 二是想帮助朋友们跳过我们遇到的坑，尽快找到解决办法。
 
======================================================
 工作室的运行也需要付出各种成本，“活下去”是我们的当务之急，如果大家有 ：
 
数据分析（报告）；
商业数据调研；
数据可视化展示；
数据爬虫；
-数据模型开发；
机器学习算法挖掘
…
 也欢迎和我们工作室开展合作~
 

分层索引的一个重要特性是，您可以通过标识数据中的子组的“partial”标签来选择数据。部分选择在结果中“下降”层次索引的级别，完全类似于在一个常规的DataFrame中选择一个列:
 关于如何创建多重所用的Series和DataFrame见文章**
 pandas 难以置信的多重索引1——多重索引的构建（史上最全）
 
关于如何获取索引本身的值见文章：**pandas 难以置信的多重索引2——获取多重索引的值（史上最全）
 
关于如何引用DataFrame中的值见文章：**pandas 难以置信的多重索引3——多重索引的使用（史上最全）
 
假设你首先创建好了一个多重索引，如果还不会创建的同学，看完**pandas 难以置信的多重索引2——获取多重索引的值（史上最全），创建好的Series，DataFrame如下：
 
 
 #########################################################
 写在最后：
 自己和朋友成立了一个工作室——图灵数据科学工作室（VX：DataUpward）：
 一是想和大家交个朋友；
 二是想帮助朋友们跳过我们遇到的坑，尽快找到解决办法。
 
======================================================
 工作室的运行也需要付出各种成本，“活下去”是我们的当务之急，如果大家有 ：
 
数据分析（报告）；
商业数据调研；
数据可视化展示；
数据爬虫；
-数据模型开发；
机器学习算法挖掘
…
 也欢迎和我们工作室开展合作~