精华内容
下载资源
问答
  • %TABLEQUERY 从 matlab 数据表查询,使用匹配和范围标准% TABLEQUERY 作为对表的逻辑 AND 查询操作,即% 提取满足所有查询条件的 DataTable 部分% TABLEQUERY 根据以下组合从表中提取数据% 变量名 + 查询条件% TABLE...
  • 倾向得分匹配分析 (PSM) 已经在诸多领域得到了应用。虽然 PSM 不能完全解决内生性问题,但却能在很大程度上缓解自我选择问题导致的偏差。在前期文献中,Becker & Ichino (2002, Stata Journal, ...

    作者:丁海 (华中科技大学)

    Stata 连享会: 知乎 | 简书 | 码云 | CSDN

    Stata连享会 精品专题 || 精彩推文
    点击此处-查看完整推文列表

    2019暑期“实证研究方法与经典论文”专题班-连玉君-江艇主讲

    2019暑期“实证研究方法与经典论文”专题班-连玉君-江艇主讲

    倾向得分匹配分析 (PSM) 已经在诸多领域得到了应用。虽然 PSM 不能完全解决内生性问题,但却能在很大程度上缓解自我选择问题导致的偏差。在前期文献中,Becker & Ichino (2002, Stata Journal, 2(4):358-377) 对 PSM 的分析过程进行了详细的介绍,Stata 中也有多个命令可以执行 PSM 分析,如 pscore, psmatch2, treatrew (Stata Journal, 14(3): 541-561), gpscore (SJ 8(3):354–373), kmatch

     net describe st0328, from(http://www.stata-journal.com/software/sj14-1)
    

    平衡性假设

    在 PSM 匹配时,用treat变量对控制变量进行Logit回归,得到倾向得分值。倾向得分值最接近的控制组个体即为实验组的配对样本,通过这种方法可以最大程度减少实验组与控制组个体存在的系统性差异,从而减少估计偏误。在进行PSM匹配后的其他估计前比如PSM-DID 估计前,还需进行协变量的平衡性假设检验,即匹配后各变量在实验组和控制组之间是否变得平衡,也就是说实验组和控制组协变量的均值在匹配后是否具有显著差异。如果不存在显著差异,则支持进一步的模型估计。

    在平衡性检验之前,我们先使用psmatch2命令进行PSM匹配,处理变量为train,协变量为ageeducblack,结果变量为re78,采用一对一近邻匹配,具体操作如下:

     use ldw_exper.dta,clear
     psmatch2 train age educ black, out(re78) logit ate neighbor(1) common caliper(.05) ties
    

    PSM 匹配完成之后,我们需要检验匹配后的样本是否满足平衡性假设,即实验组与控制组的匹配协变量是否没有显著性差异,在这里可以使用pstest命令进行检验,具体如下:

     pstest age educ black hisp married , t(train)  
    

    平衡性假设检验结果如下:

    ------------------------------------------------------------------------------
                            |       Mean               |     t-test    |  V(T)/
    Variable                | Treated Control    %bias |    t    p>|t| |  V(C)
    ------------------------+--------------------------+---------------+----------
    age                     | 25.527   24.714     11.4 |   1.19  0.234 |  1.24
    educ                    | 10.291   10.401     -6.0 |  -0.59  0.557 |  1.60*
    black                   | .84066   .87363     -8.9 |  -0.90  0.370 |     .
    hisp                    | .06044   .09066    -10.9 |  -1.09  0.277 |     .
    married                 | .18681    .1522      9.2 |   0.88  0.380 |     .
    ------------------------------------------------------------------------------
    

    根据t检验结果发现,以上5个协变量在实验组与控制组之间不存在显著性差异。

    那么,在进行 PSM 分析之前,应当如何选择匹配协变量,使模型实现最佳的拟合效果呢?今天介绍的 psestimate 命令可以通过比较不同模型的极大似然值,帮助我们选择能实现最佳拟合效果的协变量的一阶和二阶形式。

    The psestimate command estimates the propensity score proposed by Imbens and Rubin (2015). The main purpose of the program is to select a linear or quadratic function of covariates to include in the estimation function of the propensity score.

    1. 命令的安装与示例数据导入

    在Stata命令窗口执行第一行代码即可完成对 psestimate 命令的下载,然后输入第二行命令下载网上示例数据 nswre74.dta(LaLonde, 1986),并执行第三行命令导入数据。

    ssc install psestimate, replace //安装命令
    net get psestimate  //下载命令附带的数据到当前工作路径下
    use "psestimate.dta", replace
    

    2. 命令的语法

    该命令的语法如下:

     psestimate depvar [indepvars] [if] [in] [, options]
     options:             
          totry(indepvars)     
          notry(varlist)       
          nolin               
          noquad              
          clinear(real)       
          cquadratic(real)    
          iterate(#)          
          genpscore(newvar)   
          genlor(newvar)
    

    各个主要选项的含义如下:

    • depvar,必选项,填入处理变量(如 treat),即标记是否参与实验的虚拟变量
    • indepvars,可选项,指定基准模型中的协变量
    • totry(indepvars),可选项,放入供选择的协变量列表,默认为全部
    • notry(varlist),可选项,指定不包括的协变量列表,默认为没有
    • nolin,可选项,指定不进行一阶多项式的选择
    • noquad,可选项,指定不进行二阶多项式的选择
    • clinear(real),可选项,指定一阶协变量似然比检验的门槛值,默认值为 1
    • cquadratic(real),可选项,指定二阶协变量似然比检验的门槛值,默认值是 2.71
    • iterate(#),可选项,指定在每个 logit 中执行循环的最大值,默认值是 16000
    • genpscore(newvar),可选项,由于指定程序自动生成的用于记录倾向得分值的新变量的名称
    • genlor(newvar),可选项,生成对数似然比的新变量的名称

    3. 命令操作

    3.1 命令基本操作

    下面本文将基于 psestimate 命令的作者提供的数据集 nswre74.dta 来简要说明如何使用 psestimate 这一命令来选择能最好拟合处理变量 (treat) 的协变量的一阶及二阶形式。

    在这里,我们事先选定教育变量 ed 作为基准模型中的一个协变量,意味着 Stata 自动将 ed 放入基准模型中。另外,我们将指定 ageblackhispnodeg 四个变量作为待选协变量。代码如下:

    use "nswre74.dta", clear
    psestimate treat ed, totry(age black hisp nodeg)
    

    运行结果如下:

    Selecting first order covariates... (10)
    ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 
    ...s..s..
    Selected first order covariates are: nodeg hisp
    Selecting second order covariates... (21)
    ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 
    .....s.....
    Selected second order covariates are: c.nodeg#c.ed
    Final model is: ed nodeg hisp c.nodeg#c.ed
    

    根据以上结果,可以确定在倾向得分匹配中,我们应该选取的一阶协变量为 nodeghisp,二阶协变量为 c.nodeg#c.ed。综上,根据 psestimate 命令的运算结果,我们应该选取 ednodeghispc.nodeg#c.ed 等四个变量作为倾向得分匹配的协变量。

    3.2 提升运算速度

    psestimate命令在运算中会耗费较长时间,而通常来说,该命令在选择协变量的一阶形式时要快于二阶形式的选择,因此,为了加快运算速度,我们可以首先通过加入noquad选项,只对协变量的一阶形式进行筛选,当一阶形式选定后,将其作为解释变量放入基准模型中,然后加入nolin 选项跳过一阶形式筛选步骤,只对协变量的二阶形式进行筛选。具体操作如下。

    首先,加入入noquad选项,只筛选协变量的一阶形式,如下:

    use "nswre74.dta", clear
    psestimate treat ed, totry(age black hisp nodeg) noquad
    

    一阶协变量的筛选结果如下:

    Selecting first order covariates... (10)
    ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 
    ...s..s..
    Selected first order covariates are: nodeg hisp
    Final model is: ed nodeg hisp
    

    然后,将选定的ednodeghisp作为解释变量放入基准模型中,加入nolin选项值进行二阶形式的筛选,操作如下:。

    psestimate treat ed nodeg hisp , totry(age black hisp nodeg) nolin
    

    二阶协变量的筛选结果如下:

    Selecting second order covariates... (21)
    ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 
    .....s.....
    Selected second order covariates are: c.nodeg#c.ed
    Final model is: ed nodeg hisp  c.nodeg#c.ed
    

    4. psestimate 的核心思想

    4.1 协变量一阶形式的选择

    第一步,该程序首先在基准模型(logit treat ed)基础上通过循环分别加入 totry() 中指定的四个变量 ageblackhispnodeg,进行四次模型估计,如下所示:

    logit treat ed age
    logit treat ed black
    logit treat ed hisp
    logit treat ed nodeg
    

    每次估计完成后,它将得到的新的极大似然值与基准模型比较,选择上述四个模型中对数极大似然值 (Log-Likelihood, 简称 LL 值) 最大的模型中的协变量放入基准模型中,除非上述四个模型的极大似然值都低于 clinear(real) 中指定的门槛值。若此处假设为 nodeg,则基准模型扩展为 logit treat ed nodeg, 然后第二步,它将估计如下模型:

    logit treat ed nodeg age
    logit treat ed nodeg black
    logit treat ed nodeg hisp
    

    这一步的协变量筛选原则与第一步相同。可以看出,当供选择的协变量数量为 C C C 时,在确定协变量的一阶形式时,该程序理论上会估计 ∑ C ∑C C 个 Logit 模型。本例中有 4 个供选择的协变量,则需要估计 10 次(如下括号中所示),该命令选择的协变量一阶形式结果如下:

    Selecting first order covariates... (10)
    ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 
    ...s..s..
    Selected first order covariates are: nodeg hisp
    

    4.2 协变量二阶形式的选择

    在协变量二阶形式的选择上,主要分为协变量平方项以及协变量间的交乘项。
    如果在一阶形式中只选择了 a 这一个协变量,则二阶形式的选择只需要检验 a^2 这一变量。但是如果有 ab 两个一阶协变量被选择,则二阶形式的选择需要检验 a2**、**b2ab 三个二阶协变量形式。具体到本例,确定的一阶协变量有 ednodeghisp 三个,则需要检验的二阶协变量有六个,即 ed2**、**nodeg2hisp^2c.ed#c.nodegc.ed#c.hispc.nodeg#c.hisp,筛选过程与选择协变量一阶形式的方法一致。因此本例中共需估计 ∑ 6 ∑6 6 即 21 次(如下括号中所示),结果如下所示:

    Selecting second order covariates... (21)
    ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 
    .....s.....
    Selected second order covariates are: c.nodeg#c.ed
    Final model is: ed nodeg hisp c.nodeg#c.ed
    

    4.3 流程图展示

    如下流程图可以更加直观地展现psestimate筛选协变量一阶及二阶形式的过程,为简化分析,我们可供选择的协变量为ab两个变量,假设各模型的对数极大似然值存在如下大小关系,LL1>LL2> clinear() >LL3,LL4>LL5>LL6> cquadratic() >LL7>LL8。

    图1.流程图

    5. PSM估计的完整流程示例

    5.1 psestimate 筛选匹配变量的一阶、二阶形式

    第一步,使用psestimate筛选匹配变量

    use "nswre74.dta", clear
    psestimate treat ed, totry(age black hisp nodeg) 
    

    匹配变量选择如下:

    Selecting first order covariates... (10)
    ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 
    ...s..s..
    Selected first order covariates are: nodeg hisp
    Selecting second order covariates... (21)
    ----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5 
    .....s.....
    Selected second order covariates are: c.nodeg#c.ed
    Final model is: ed nodeg hisp c.nodeg#c.ed
    

    最终选择的匹配变量为ednodeghispc.nodeg#c.ed

    5.2 psmatch2 基于筛选出的匹配变量进行PSM匹配

    基于上述匹配变量进行PSM匹配:

     psmatch2 treat ed nodeg hisp c.nodeg#c.ed, logit ate neighbor(1) common caliper(.05) ties
    

    结果如下:

    Logistic regression                             Number of obs     =        445
                                                    LR chi2(4)        =      17.03
                                                    Prob > chi2       =     0.0019
    Log likelihood = -293.58317                     Pseudo R2         =     0.0282
    
    ------------------------------------------------------------------------------
           treat |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
    -------------+----------------------------------------------------------------
              ed |   .5093428   .3298117     1.54   0.123    -.1370762    1.155762
           nodeg |   6.506319   4.112404     1.58   0.114    -1.553845    14.56648
            hisp |  -.5954105   .3754841    -1.59   0.113    -1.331346    .1405248
                 |
    c.nodeg#c.ed |  -.6068825   .3375387    -1.80   0.072    -1.268446    .0546813
                 |
           _cons |  -6.021438    4.05441    -1.49   0.138    -13.96794    1.925059
    ------------------------------------------------------------------------------
    
    

    5.3 pstest 进行平衡性假设检验

     pstest ed nodeg hisp c.nodeg#c.ed, t(treat)  
    

    结果如下:

    ------------------------------------------------------------------------------
                            |       Mean               |     t-test    |  V(T)/
    Variable                | Treated Control    %bias |    t    p>|t| |  V(C)
    ------------------------+--------------------------+---------------+----------
    ed                      |  10.29   10.464     -9.6 |  -0.91  0.363 |  1.28
    nodeg                   | .71585   .69399      5.3 |   0.46  0.648 |     .
    hisp                    | .06011   .06011     -0.0 |  -0.00  1.000 |     .
    c.nodeg#c.ed            | 6.7814    6.694      2.1 |   0.18  0.854 |  0.96
    ------------------------------------------------------------------------------
    

    可以发现,匹配后实验组与控制组的匹配变量均没有显著差异,满足平衡性假设条件

    5.4 psgraph 绘图直观呈现各匹配变量的平衡性状况

      psgraph  
    

    结果如下:

    psgraph

    图中也可以直观看出,实验组与控制组的倾向得分值分布大致平衡。

    参考文献

    1. Dehejia, Rajeev H. and Sadek Wahba. 1999. “Causal Effects in Nonexperimental Studies”. Journal of the American Statistical Association 94(448): 1053-1062.
    2. Imbens, Guido W. and Donald B. Rubin. 2015. Causal Inference in Statistics, Social, and Biomedical Sciences. New York: Cambridge University Press.
    3. Imbens, Guido W. 2015. “Matching Methods in Practice: Three Examples.” Journal of Human Resources 50 (2): 373–419. [PDF1][PDF2-wp]
    4. LaLonde, Robert J. 1986. “Evaluating the Econometric Evaluations of Training Programs with Experimental Data.” The American Economic Review 76 (4): 604–20. [PDF]

    关于我们

    • Stata 连享会(公众号:StataChina)】由中山大学连玉君老师团队创办,旨在定期与大家分享 Stata 应用的各种经验和技巧。
    • 公众号推文同步发布于 CSDN-Stata连享会简书-Stata连享会知乎-连玉君Stata专栏。可以在上述网站中搜索关键词StataStata连享会后关注我们。
    • 点击推文底部【阅读原文】可以查看推文中的链接并下载相关资料。
    • Stata连享会 精品专题 || 精彩推文

    联系我们

    • 欢迎赐稿: 欢迎将您的文章或笔记投稿至Stata连享会(公众号: StataChina),我们会保留您的署名;录用稿件达五篇以上,即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。
    • 意见和资料: 欢迎您的宝贵意见,您也可以来信索取推文中提及的程序和数据。
    • 招募英才: 欢迎加入我们的团队,一起学习 Stata。合作编辑或撰写稿件五篇以上,即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。
    • 联系邮件: StataChina@163.com

    往期精彩推文


    欢迎加入Stata连享会(公众号: StataChina)

    展开全文
  • 2、JSON提取器-提取满足特定条件变量值 $.data[?(@.tabName=="设备")].id ----表达式中,匹配变量不要加引号“”,值需要加引号“”,具体需要看接口的相应数据格式. 3)Jmeter中,JSON提取器各字段解释...

    1、JSON提取器- 提取列表中的随机值

    $.data[*].id

    2、JSON提取器- 提取满足特定条件的变量值

    $.data[?(@.tabName=="设备")].id

    ----表达式中,匹配的变量不要加引号“”,值需要加引号“”,具体需要看接口的相应数据格式.

    3)Jmeter中,JSON提取器各字段解释:

            3.1)字段结果Apply to应用范围,选默认的 main sample only 就行了

            3.2)Names of created variables

    • 接收提取值的变量名
    • 多个变量用 ; 分隔
    • 必传
    • 调用的时候,使用:${var}

            3.3)JSON Path expression

    • json path 表达式,用来提取某个值
    • 多个表达式用 ; 分隔
    • 必传

            3.4)Match No.(0 for Random)

    • 取第几个值,多个值用 ; 分隔
    • 0:随机,默认
    • -1:所有
    • 1(N):第一(N)个值
    • 非必传,默认为0,随机取

            3.5)Compute concatenation var(suffix_ALL)

    • 如果匹配到多个值,则将它们都连接起来,不同值之间用 , 分隔
    • 变量会自动命名为 <variable name>_ALL 

            3.6)Default Values

    • 缺省值,匹配不到值的时候取该值,可写error
    • 多个值用 ; 分隔
    • 非必传

    注意:

            如果match_to,输入的为-1,随机匹配的话,调用该变量的时候,要加_1.具体可添加debug sampler检查自己需要的变量值.

     

    展开全文
  • 匹配一个结果 do_match = re.match(r'正则表达式', str) result_1 = do_match.group() # 获得包括正则表达式要求字符的结果 result_2 = do_match.group(1) # 只获取表达式()内的结果 匹配多个结果 result = re,find...

    匹配一个结果

    do_match = re.match(r'正则表达式', str)
    result_1 = do_match.group() # 获得包括正则表达式要求字符的结果
    result_2 = do_match.group(1) # 只获取表达式()内的结果
    

    匹配多个结果

    result = re,findall(r'正则表达式', str) # result是一个列表
    
    展开全文
  • 条件运算符JavaScript 还包含了基于某些条件变量进行赋值的条件运算符。语法variablename=(condition)?value1:value2 例子greeting=(visitor=="PRES")?"Dear President ":"Dear ";如果变量 visitor 中的值是 ...

    条件运算符

    JavaScript 还包含了基于某些条件对变量进行赋值的条件运算符。

    语法

    variablename=(condition)?value1:value2 

    例子

    greeting=(visitor=="PRES")?"Dear President ":"Dear ";

    如果变量 visitor 中的值是 "PRES",则向变量 greeting 赋值 "Dear President ",否则赋值 "Dear"。

    JavaScript Switch 语句

    请使用 switch 语句来选择要执行的多个代码块之一。

    语法

    switch(n)
    {
    case 1:
      执行代码块 1
      break;
    case 2:
      执行代码块 2
      break;
    default:
      n 与 case 1 和 case 2 不同时执行的代码
    }
    

    工作原理:首先设置表达式 n(通常是一个变量)。随后表达式的值会与结构中的每个 case 的值做比较。如果存在匹配,则与该 case 关联的代码块会被执行。请使用 break 来阻止代码自动地向下一个 case 运行

    var day=new Date().getDay();
    switch (day)
    {
    case 0:
      x="Today it's Sunday";
      break;
    case 1:
      x="Today it's Monday";
      break;
    case 2:
      x="Today it's Tuesday";
      break;
    case 3:
      x="Today it's Wednesday";
      break;
    case 4:
      x="Today it's Thursday";
      break;
    case 5:
      x="Today it's Friday";
      break;
    case 6:
      x="Today it's Saturday";
      break;
    }
    亲自试一试
    展开全文
  • egrep及扩展正则表达式 egrep = grep -E ...字符匹配: (1) . :匹配任意单个字符 (2) [] :指定范围内的任意单个字符 (3) [^]:指定范围外的任意单个字符 次数匹配: (1) * :匹配其前面的字符任意次 ...
  • C语言条件判断语句:if、else if、else

    万次阅读 多人点赞 2018-07-05 13:34:04
    1)简单介绍三种形式的条件判断语句:if、else if、elseif:if(表达式) 执行语句if:判断表达式内容,如果为true(真),就执行语句else if:if(表达式) 执行语句 else if(表达式1) 执行语句1 ......(很多的else if)...
  • sed awk grep 同时匹配多个条件

    万次阅读 2016-03-16 15:52:47
    一、匹配或 sed 匹配100_1000或bigger_1000 sed -n '/100_1000\|bigger_1000/p' 20160220 sed -n '/\(100_1000\|bigger_1000\)/p' 20160220 awk匹配100_1000或bigger_1000 默认是$0匹配,所
  • 配对变量t检验

    千次阅读 2019-09-08 22:25:12
    配对变量为两两相关的变量:如敷药前后体重变化。 要求:两变量服从正态分布。 SPSS演练 打开数据文件:ptest.sav载地址:https://download.csdn.net/download/weixin_42141390/11701140;路径为:.\9\ 其中...
  • excel单元格一个条件匹配多个结果VBA

    千次阅读 2020-04-02 14:42:08
    If a.Cells(i, 1) = c Then t = t & " " & b.Cells(i, 1) Next '将变量的值赋给自定义函数 abc = t End Function 此时不必急着保存运行,直接切换到需要处理的表中,在单元格中输入公式运行即可: 注:不管量多大都...
  • Activiti6.0(四)流程变量的使用

    千次阅读 2020-02-05 11:29:20
    二、流程变量介绍 1、设置流程变量 2、在流程线上使用流程变量 3、流程变量存储 4、经验总结 一、前言 流程变量也是流程使用中一个很重要的东西,主要承担传递业务参数的作用,其作用范围仅在当前流程实例中...
  • Scala模式匹配

    2018-06-26 21:22:31
    模式匹配,其实类似于Java中的switch case 语法, 即对一个值进行条件判断,然后针对不同的条件,进行不同的处理。 但是Scala的模式匹配的功能比Java的switch case语法的功能要强大地多,Java的switch case语法...
  • 2.什么是倾向值匹配法? 将各个手册单元多维度的信息,使用统计方法简化成一维的数值,是为倾向值,然后据之进行匹配匹配的目的就是要找寻实验组和对照组样本中拥有相同(或者相似)倾向值的样本,它们之间的差异...
  • Oracle 绑定变量详解

    千次阅读 2018-06-19 11:50:03
    之前整理过一篇有关绑定变量的文章,不太详细,重新补充一下。 Oracle 绑定变量 http://www.cndba.cn/Dave/article/1275 一.绑定变量 bind variable: A variable in a SQL statement that must be ...
  • Oracle-绑定变量binding variable解读

    千次阅读 2016-11-20 13:05:52
    绑定变量概述Oracle 中,对于一个提交的sql语句,存在两种可选的解析过程, 一种叫做硬解析,一种叫做软解析.一个硬解析需要经解析,制定执行路径,优化访问计划等许多的步骤.硬解释不仅仅耗费大量的cpu,更重要的是会...
  • Scala中提供的match case匹配模式类似于Java中的switch case: 1.match case能够处理所有的类型 2.match case不需要break,java中的swith case如果没有break称为贯穿现象 3.match case 能够生成值 下面介绍几种常用...
  • 给定一个向量或矩阵 MATRIX,计算标量 X 满足(字符串)条件 COND 的次数。 结果在变量 RES 中返回。 允许的 COND 运算符为:==、>=、<=、<、>、!=。 该函数比 SUM(MATRIX'COND'X) 或 LENGTH(FIND(MATRIX'COND...
  • 这种对象状态的获取遵循一定的协议,也就是对象内部状态的可见性由该类型的实现来控制,这样我们就可以获取暴露的状态并应用于变量中。对象的获取往往被称为“提取”或者“解构”。 1、简单匹配 简单匹配有点类似...
  • expect是一个自动交互功能的工具,可以满足代替我们实际工作中需要从终端手动输入某些内容来使得程序或命令继续运行的目的。如安装软件是时的一些提示,ssh远程主机执行命令时需要多次输入密码的情况。 安装expect ...
  • OR操作符告诉DBMS匹配任一条件而不是同时匹配两个条件。  3.求值顺序(AND OR) 输入: SELECT  prod_name, prod_price  FROM  Products  WHERE  vend_id = 'DLL01'  OR  vend_id = 'BRS01'...
  • 可不可以当满足一定条件时,我们就能直接写出这两个基解x,而不用去进行回代(backsubstitution)呢? 首先尽管我们已经对A进行了化简,得到了看起来像阶梯状的矩阵U,但为了更容易求特殊解,其实我们可将U进一步...
  • 正交匹配追踪算法OMP(Orthogonal Matching Pursuit) 本文主要基于文献《Orthogonal Matching Pursuit for Sparse Signal Recovery With Noise》编写而成。主要讲述OMP算法基本步骤和思想,后续会介绍OMP算法在...
  • 简单易懂的Lucene实现从多域查询条件匹配。通过搜索一个内容,从多域查询匹配内容。 1、用类MultiFieldQueryParser 2、用booleanQuery动态添加查询对象
  • 转载自:https://blog.csdn.net/qq_30638831/article/details/79579448     CTRL+R进入替换
  • 字符串匹配

    千次阅读 2019-06-27 19:44:14
    主串和模式串 ...几种单模式串匹配算法 BF(暴力)算法 RK算法 BM算法 KMP算法 1. BF(Brute Force)算法 时间复杂度O(n*m),其中n是主串长度,m是模式串长度。 缺陷:忽略了已检测过的文本信息。 2. ...
  • 测试开发笔记

    万次阅读 多人点赞 2019-11-14 17:11:58
    什么是软件测试: 7 ★软件测试的目的、意义:(怎么做好软件测试) 7 3.软件生命周期: 7 第二章 测试过程 8 1.测试模型 8 H模型: 8 V模型 9 2.内部测试 10 3外部测试: 10 验收测试:(在系统测试之后) 11 回归...
  • nginx 全局变量 以及配置

    千次阅读 2020-11-23 17:04:02
    nginx 全局变量 这一部分我就直接是cope https://blog.csdn.net/yang450712123/article/details/90264998. 这里的了 $remote_addr // 获取客户端ip $binary_remote_addr // 客户端ip(二进制) $remote_port //...
  • 数据分析的统计方法选择小结(变量之间的关联性分析) 一、两个变量之间的关联性分析 1.两个变量均为连续型变量 1)小样本并且两个变量服从双正态分布,则用Pearson相关系数做统计分析 2)大样本或两个变量不服从双...
  • 直方图均衡化,可以无需参数,自动寻找变换函数,从而自动的的增强整个图像的对比度,简单易行便于实现,结果可预知,但是增强的效果不受...这时,就可以采用本文介绍的这种,比较灵活的直方图匹配(直方图规定划)。
  • 激光扫描匹配之基于点的扫描匹配

    千次阅读 2019-05-17 09:55:08
    本文主要将激光扫描匹配分为三类: (1)基于点的扫描匹配; (2)基于特征的扫描匹配; (3)基于数学特性的扫描匹配。 下面重要介绍基于点的扫描匹配 一,基于点的扫描匹配直接对扫描获取的原始数据点进行操作,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 138,847
精华内容 55,538
关键字:

匹配变量需满足什么条件