精华内容
下载资源
问答
  • 密立根油滴实验原始数据记录

    千次阅读 2020-12-23 08:12:54
    原始记录(数据、图表、文字描述等)第一组数据:电压V(伏)424418421421409425时间t(s)9.389.439.609.469.189.58q={(10.738+10.803+10.435+10.674+11.509+10.370)x10-19}/6=10.755x10-19库仑电子数n=7电荷量e=1.54x10-...

    原始记录

    (

    数据、图表、文字描述等

    )

    第一组数据:

    V

    (伏)

    424

    418

    421

    421

    409

    425

    时间

    t

    (

    s

    )

    9.38

    9.43

    9.60

    9.46

    9.18

    9.58

    q={

    (

    10.738+10.803+10.435+10.674+11.509+10.370

    )

    x10

    -19

    }/6=10.755x10

    -19

    库仑

    电子数

    n=7

    电荷量

    e=1.54x10

    -19

    库仑

    第二组数据:

    V

    (伏)

    245

    246

    242

    226

    245

    236

    时间

    t

    (

    s

    )

    9.27

    9.24

    9.63

    9.61

    9.57

    9.65

    q={

    (

    18.925+20.493+18.066+19.407+18.020+18.466

    )

    x10

    -19

    }/6=18.896x10

    -19

    库仑

    电子数

    n=12

    电荷量

    e=1.57x10

    -19

    库仑

    第三组数据:

    V

    (伏)

    270

    256

    242

    253

    233

    238

    时间

    t

    (

    s

    )

    11.70

    12.01

    11.89

    12.13

    12.07

    12.31

    q={

    (

    11.984+12.137+13.041+12.094+13.233+12.566

    )

    x10

    -19

    }/6=18.896x10

    -19

    库仑

    电子数

    n=8

    电荷量

    e=1.56x10

    -19

    库仑

    第四组数据:

    V

    (伏)

    206

    226

    209

    241

    224

    226

    时间

    t

    (

    s

    )

    25.39

    24.90

    25.40

    22.19

    24.97

    23.84

    q={

    (

    4.701+4.415+4.959+4.410+4.628+4.727

    )

    x10

    -19

    }/6=4.613x10

    -19

    库仑

    电子数

    n=3

    展开全文
  • 开支类别管理模块功能:此功能主要... (3)记录系统设计过程中遇到的技术难题及其解决办法; (4)服从管理,态度端正,毕业设计期间遵守学校各项规章制度,按该任务书进度要求完成毕业设计各项工作。 下面具体说明:

    一、系统主要有以下几个功能:
    用户管理模块功能:用户在首次登陆网页时,需注册个人信息,注册申请完成后,可开通会员功能,具有记账功能权限,管理员可以管理所有用户信息,用户自己只能修改个人信息,比如密码。
    开支类别管理模块功能:此功能主要用来区分记账的分类信息。
    记账功能模块:将用户的收入和支出信息,按照类型的方式统计入账。
    二、研究方法及设计方案:
    1、查阅资料,通过参考文献中的例子和内容作为参考。进行可行性和需求分析、确定系统功能功能模型。
    2、设计数据库,根据用户具体业务需求。逐一分解项目过程,采用springboot成熟框架开发。
    三、开发工具及技术路线:
    系统的开发技术是springboot,开发环境是IntelliJ IDEA 2020、Css、HTML,开发语言是java,使用的数据库是Mysql8.0。
    四、工作要求:
    (1)根据任务书要求,认真撰写开题报告;
    (2)根据任务书规定功能,认真完成设计内容,并与指导老师保持联系;
    (3)记录系统设计过程中遇到的技术难题及其解决办法;
    (4)服从管理,态度端正,毕业设计期间遵守学校各项规章制度,按该任务书进度要求完成毕业设计各项工作。

    下面具体说明:
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • Kmeans将聚类结果对原始数据ID 原始数据样式: # K-Means Clustering # Importing the libraries import numpy as np import matplotlib.pyplot as plt import pandas as pd # Importing the dataset from ...

    Kmeans将聚类结果对应原始数据保存起来

    原始数据样式:

    在这里插入图片描述

    
    
    # K-Means Clustering
    
    # Importing the libraries
    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
    
    # Importing the dataset
    from scipy.cluster.vq import whiten
    
    path = 'D:\\data\\cnndata\\order.csv'
    dataset = pd.read_csv(path,header=None)
    X = dataset.iloc[:, :].values
    
    # y = dataset.iloc[:, 3].values
    
    # Splitting the dataset into the Training set and Test set
    """from sklearn.cross_validation import train_test_split
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0)"""
    
    # Feature Scaling
    """from sklearn.preprocessing import StandardScaler
    sc_X = StandardScaler()
    X_train = sc_X.fit_transform(X_train)
    X_test = sc_X.transform(X_test)
    sc_y = StandardScaler()
    y_train = sc_y.fit_transform(y_train)"""
    
    # Using the elbow method to find the optimal number of clusters
    from sklearn.cluster import KMeans
    wcss = []
    for i in range(1, 15):
        kmeans = KMeans(n_clusters = i, init = 'k-means++', random_state = 42 )
        kmeans.fit(X[:,6:9])
        wcss.append(kmeans.inertia_)
    plt.plot(range(1, 15), wcss)
    plt.title('The Elbow Method')
    plt.xlabel('Number of clusters')
    plt.ylabel('WCSS')
    plt.show()
    
    # Fitting K-Means to the dataset
    # K-means本身不能解决 Random Initialization Trap,但是K-means++使用wcss算法用n_init参数能解决
    kmeans = KMeans(n_clusters = 4 , init = 'k-means++', random_state = 42)
    y_kmeans = kmeans.fit((X[:,6:9]))  #将元数据 6-9列喂kmeans
    
    #将kmeans对应聚类簇为0的数据选出来
    A = X[y_kmeans.labels_ == 0,:]
    # a = np.zeros(pd.Series(y_kmeans.labels_ == 0).value_counts())
    #print(A)
    m = np.shape(A)[1]
    
    #为A矩阵最后一列打上标签0
    A = np.insert(A,m,0,axis=1)
    print(A)
    
    #提出聚簇==1的数据并打上标签
    B = X[y_kmeans.labels_ == 1,:]
    B = np.insert(B,m,1,axis=1)
    
    # 2
    C = X[y_kmeans.labels_ == 2,:]
    C = np.insert(C,m,2,axis=1)
    # 3
    D = X[y_kmeans.labels_ ==  3,:]
    D = np.insert(D,m,3,axis=1)
    
    #全部添加到A矩阵
    A = np.insert(A,np.shape(A)[0],B,axis=0)
    A = np.insert(A,np.shape(A)[0],C,axis=0)
    A = np.insert(A,np.shape(A)[0],D,axis=0)
    #print('AB N:',np.shape(A)[0])
    #print(A)
    #print('A m:',np.shape(A)[1])
    #将矩阵输出--------重命名表头
    pd_data = pd.DataFrame(A,columns=['id','userid','dayhot','day','orderhot','order','R','F','E','O','sum','tag'],dtype=str)   
    pd_data.to_csv('D:\\data\\cnndata\\pd_dataNsocre-1.csv')
    
    
    
    
    
    
    展开全文
  • 2等水准测量原始记录

    千次阅读 2021-01-12 20:26:11
    测下丝上丝基-k站上丝下丝减编辅号(基-辅)后1.7563344.772164-0.000330前1.1446674.160387-0.000220后-前0.6116670.611777-0.000110h0.6117220.337240后0.9543443.970044-0.000200前1.4356654.4510650.000100后-前-0...

    下丝

    上丝

    基-k

    上丝

    下丝

    (基-辅)

    1.756334

    4.772164

    -0.000330

    1.144667

    4.160387

    -0.000220

    后-前

    0.611667

    0.611777

    -0.000110

    h

    0.611722

    0.337240

    0.954344

    3.970044

    -0.000200

    1.435665

    4.451065

    0.000100

    后-前

    -0.481321

    -0.481021

    -0.000300

    h

    -0.481171

    1.235520

    4.250800

    0.000220

    1.065620

    4.081070

    0.000050

    后-前

    0.169900

    0.169730

    0.000170

    h

    0.169815

    0.051110

    1.396350

    4.411520

    0.000330

    1.441220

    4.456600

    0.000120

    后-前

    -0.044870

    -0.045080

    0.000210

    h

    -0.044975

    0.051110

    1.287870

    4.303720

    -0.000350

    1.441220

    4.456600

    0.000120

    后-前

    -0.153350

    -0.152880

    -0.000470

    h

    -0.153115

    0.051110

    1.402300

    4.417900

    -0.000100

    1.388130

    4.403600

    0.000030

    后-前

    0.014170

    0.014300

    -0.000130

    h

    0.014235

    0.051110

    1.277660

    4.293310

    -0.000150

    1.302880

    4.318470

    -0.000090

    后-前

    -0.025220

    -0.025160

    -0.000060

    h

    -0.025190

    0.051110

    1.306670

    4.322280

    -0.000110

    1.302880

    4.318470

    -0.000090

    后-前

    0.003790

    0.003810

    -0.000020

    h

    0.003800

    0.051110

    1.287760

    4.303340

    -0.000080

    1.724881

    4.740551

    -0.000170

    基本分化

    辅助分化

    视距差d

    Σ

    d

    37.710000

    37.340000

    0.370000

    0.000000

    二 等 水 准 测 量 记 录 表

    测自

    DT76-6

    DT77

    2008 年

    9

    3

    成象   清晰

    温度

    22

    天气   晴       .

    点号

    后尺

    前尺

    方向及

    标尺读数

    备注

    后距

    前距

    尺号

    1.658165

    44.160000

    44.500000

    1.213165

    1.567784

    1.331367

    1.944884

    0.957967

    1

    DT76-6

    ~Z1

    -0.340000

    3

    Z2~Z3

    0.999020

    1.175144

    2

    Z1~Z2

    0.733544

    0.831470

    1.472020

    1.299770

    47.300000

    46.830000

    0.470000

    0.130000

    0.360000

    4

    Z3~

    Z4

    1.168700

    1.214720

    1.624000

    1.667720

    45.530000

    45.300000

    0.230000

    5

    Z4~Z5

    1.084320

    1.237370

    1.491420

    1.645070

    40.710000

    40.770000

    -0.060000

    0.300000

    Z5~Z6

    1.158600

    1.148530

    1.646000

    1.627730

    48.740000

    47.920000

    0.820000

    1.120000

    Z6~Z7

    1.042910

    1.068830

    1.512410

    1.536930

    46.950000

    46.810000

    0.140000

    1.260000

    Z7~Z8

    1.062520

    1.061580

    1.550820

    1.544180

    48.830000

    48.260000

    1.830000

    1.951481

    Z8~

    DT77

    1.062010

    -0.340000

    1.498281

    1.513510

    0.570000

    展开全文
  • ALCOA+CCEA原则(数据完整性标准)

    千次阅读 2021-01-07 10:07:01
    Attributable A 可追溯的记录可追溯 Legible L 清晰的,可见的清晰可见 Contemporaneous C 同步的与操作同步生成/录入 Original ...
  • FFmpeg中的AVFrame结构体是用于存放音视频的原始数据的 也就是音频的 PCM数据 和视频的 YUV数据或者RGB数据 这里记录一下视频帧数据的存放 通过C++的文件IO来对AVFrame读写, 需要了解AVFrame的成员含义, 以及YUV/RGB...
  • GPS-OEM原始数据向Rinex格式转换的方法陈桂珍戴建军(中南大学信息物理工程学院长沙410083)摘要:本文在介绍Rinex标准数据格式的基础上,以SuperStarGPS-OEM主板接收的二进制原始数据为例,详细介绍了利用VB6.0实现GPS...
  • 本文将向您介绍德国Vector公司的GL系列数据记录仪中,在CAN、LIN总线数据记录方面有出色表现且高性价比的产品GL2000,并对GL2000在工作现场进行数据分析、在无线覆盖的区域进行数据记录管理、在外地试验并将数
  • GPS-OEM原始数据向Rinex格式转换的方法陈桂珍戴建军(中南大学信息物理工程学院长沙410083)摘要:本文在介绍Rinex标准数据格式的基础上,以SuperStarGPS-OEM主板接收的二进制原始数据为例,详细介绍了利用VB6.0实现GPS...
  • 数据挖掘之模型评估划分原始数据集的方法保持方法交叉验证模型评估混淆矩阵性能度量ROC 曲线 划分原始数据集的方法 将原始数据按一定比例分割为训练数据和检验数据,通过训练数据来构建模型,检验数据进行模型评估,...
  • XPS原始数据处理之 Avantage 软件篇

    千次阅读 2021-07-23 14:30:31
    其中全谱扫描不需要经过特别的处理,因此在这里不做过多介绍,大家对照前两期内容应该很容易实现全谱分析,得到自己想要的信息(主要是样品所含元素种类的鉴定),这里主要介绍高分辨谱的数据处理与分析。1XPS高分辨谱...
  • 混凝土抗压强度回弹法测试原始记录表工程名称常兴家园2住宅楼设计强度C30 搅拌方式自拌、商品混凝土浇注时间2004年5月23日 浇注方式料斗、泵送、其它编 号回 弹 值 Ri碳 化深 度dimm测试部位测区...
  • FFMPEG中的swscale提供了视频原始数据(YUV420,YUV422,YUV444,RGB24...)之间的转换,分辨率变换等操作,使用起来十分方便,在这里记录一下它的用法。swscale主要用于在2个AVFrame之间进行转换。下面来看一个视频...
  • java实现修改数据记录 最近几个月,有一些与“ Java数据类”(又称为“记录”)相关的更新。 正如我在“ JavaFX,Valhalla,数据类和Java的浮点的更新”一文中简短提到的那样, Brian Goetz的“ Java数据类”“探索了...
  • GlobeLand30是30米空间分辨率全球地表覆盖数据,目前可供下载使用的有3年的数据:2000-2010-2020,本文主要讲述GlobeLand30的官网下载地址和数据集简介。 文章目录一、GlobeLand30简介1 数学基础2 分类系统3 数据...
  • 在实验室中已经获得了超声的rf信号,这些数据存放在采集程序生成的.dat文件中,这些信号是超声生成图像的原始数据。 在数据处理的过程中,需要将.dat文件中的数据导入到matlab中,这需要了解.dat文件中数据的安排...
  • 数据完整性之电子记录和审计追踪审核,QC仪器电子数据审核程序数据完整性之电子记录和审计追踪审核1. 目的本程序的目的,是建立质量保证(QA)为确保电子记录完整性及原始记录管理而进行的审核。2. 范围本程序适用于QC...
  • Spring MVC获得请求数据

    千次阅读 2021-10-21 15:51:34
    1. 获得请求参数 客户端请求参数的格式是:name=value&...服务器端要获得请求的参数,有时还需要进行数据的封装,SpringMVC可以接收如下类型的参数: 基本类型参数 POJO类型参数 数组类型参数 集合类型参数 ...
  • 通过mybatis的拦截器拦截sql,然后提取出表名和条件,查询出来原始数据,然后保存数据和update语句。这样就可以对比原始数据,和执行sql的改变的数据。 delete和insert 只记录sql,直接插入记录中。 注意:如果...
  • --------------------------------------------------------- 记录自学过程 -----...本文章HAL库编写MPU6050输出六轴原始数据,移植DMP输出自身姿态角 程序链接 程序链接 程序链接 目录一、mpu6050的通信方式二、CubeMX
  • 现已从相关网站及平台获取到原始数据集,为保障用户隐私和行业敏感信息,已进行数据脱敏。数据脱敏是指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。在涉及客户安全数据或者一些商业性...
  • 大数据:数据仓库设计

    千次阅读 2021-05-09 22:02:16
    数据仓库设计
  • 4.1.5 消费者获取记录

    千次阅读 2021-04-15 22:55:04
    拉取器处理拉取响应时已经将原始的响应数据封装成了分区记录集,并放到全局的成员变量this.records中 。 但要真正被消费者可用,还需要封装成消费者记录( ConsumerRecord )。 相关代码如下: 拉取器的获取记录集...
  • 什么是数据溯源?

    千次阅读 2021-01-14 15:00:26
    当初,某些文献将其称为数据志或数据档案,后来,大部分文献将其命名为数据起源,有追踪数据的起源和重现数据的历史状态之意。本文称其为数据溯源,从应用的角度出发,强调追踪的过程和方法。目前,数据溯源还没有...
  • MySQL数据库误Update找回数据的方法

    千次阅读 2021-01-19 12:24:10
    所以特此记录找回的方法。我在网上看了主要是两种方式:2. 通过一个工具 binlog2sql,定位误操作的日志位置,然后进行逆向sql解析,还原出误操作中的数据sql文件,然后执行即可。参考博客:https://blog.csd...
  • 常用SPSS数据处理方法,你都会吗?

    千次阅读 2020-12-28 21:30:16
    数据处理是在统计和分析数据时,第一步要做的。尤其是当面对大量数据时,数据处理是一个重要的过程,可以达到提高处理效率及精度的目的。为配合进行更好的分析,研究过程过可能涉及到以下数据处理工作:定义变量名、...
  • 展开全部观察是一切科学研究最基本的手段,但是有效的观察并不仅限于会看——按照什么样的结e5a48de588b63231313335323631343130323136353331333361306339构、角度和方式去看,还要求有客观、有效、规范的记录记录...
  • 我在Jupyter Notebook上使用python 3.4,尝试合并两个数据框,如下所示:df_A.shape(204479, 2)df_B.shape(178, 3)new_df = pd.merge(df_A, df_B, how='inner', on='my_icon_number')new_df.shape(266788, 4)我认为...
  • 由于海量数据的来源是广泛的,数据类型也是多而繁杂的,因此数据中会夹杂着不整、重复以及错误的数据,如果直接使用这些原始数据,会严重影响数据决策的准确性和效率。因此,对原始数据进行行效的清洗是大数据分析和应用...
  • 数据分析 | 异常数据识别小结

    千次阅读 2021-03-16 15:31:53
    这里写目录标题1. 定义与使用场景定义使用场景数据异常的原因2. 单变量数据异常识别2.1 简单统计量分析2.2 三倍标准差...异常检测,即发现一组数据点中和大多数数据不同的数据点。如果你要去网上搜索英文文献,可以用

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 372,592
精华内容 149,036
关键字:

原始数据记录要求