数组分为一维数组，和多维数组

面向对象

类

继承

1
2
3
4
5

Java: class Student extends Person

C#: : class Student : Person

Python: class Student(Person)

Python 支持 多继承，C#，Java均不支持，C++支持多继承

Java: 当一个类未显式继承任何类时，隐式继承object，这点和C#一致，所有类型最后均继承 Object，即 Object 是所有类 祖先类

杂

1. 在关系数据库管理系统中，创建的视图在数据库三层结构中属于模式。（×）

2. 若在一个关系中，某一个属性或属性组的值能唯一地标识该关系的元组，
   而其真子集不行，则称该属性或属性组为候选码。(√)

多元统计分析及R语言建模 一些练习题

Linux的目录结构是一个树型结构
Windows 系统可以拥有多个盘符, 如 C盘、D盘、E盘
Linux没有盘符这个概念, 只有一个根目录 /, 所有文件都在它下面

单层前向神经网络

概述：BP 网络是一种前馈网络,即误差反向传播神经网络。
一般的前馈网络包括一个输入层和一个输出层，若干隐单元。隐单元可以分 层也可以不分层，若分层，则称为多层前馈网络。网络的输入、输出神经元其激 活函数一般取为线性函数，而隐单元则为非线性函数。

神经网络（二）

激活函数

1
2
3
4
5
6

import pandas as pd
catering_sale = '../data/chapter3/demo/data/catering_sale.xls'  # 餐饮数据
data = pd.read_excel(catering_sale, index_col = '日期')         # 读取数据，指定“日期”列为索引列

print(data.describe())                        # describe() 函数 查看数据的基本情况
print(len(data))    # count 是非空值数， len(data) 数据记录数: 201 条，因此缺失值数为1

读取数据

• 读取Excel

基本统计量

1
2
3
4
5

statistics = data.describe()

statistics.loc['range'] = statistics.loc['max'] - statistics.loc['min']  # 极差
statistics.loc['var'] = statistics.loc['std'] / statistics.loc['mean']  # 变异系数
statistics.loc['dis'] = statistics.loc['75%'] - statistics.loc['25%']  # 四分位数间距

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

catering_sale = '../data/chapter3/demo/data/catering_sale.xls'  # 餐饮数据
data = pd.read_excel(catering_sale, index_col = '日期')         # 读取数据，指定“日期”列为索引列

print(data.describe())                        # describe() 函数 查看数据的基本情况
print(len(data))    # count 是非空值数， len(data) 数据记录数: 201 条，因此缺失值数为1

                销量
count   200.000000
mean   2755.214700
std     751.029772
min      22.000000
25%    2451.975000
50%    2655.850000
75%    3026.125000
max    9106.440000
201

mean 平均值 std 标准差

1/4 25%

50% 中位数

25% 上四分位点

75% 下四分位点

画图

箱型图

1
2

plt.figure()
p = data.boxplot(return_type = 'dict')   # 画箱型图，直接使用 DataFrame 的方法

其他

设置x轴刻度间隔

1
2
3

x_major_locator = plt.MultipleLocator(7)
ax = plt.gca()
ax.xaxis.set_major_locator(x_major_locator)

统计特征函数

• 统计特征函数 用于 计算数据的 均值、方差、标准差、分位数、相关系数、协方差等，这些统计特征能反应 数据的整体趋势。

• 1. sum() 计算数据样本的 总和（按列计算）

  使用：D.sum()
  样本 D 可为 DataFrame 或 Series

• 2. mean() 算术平均数

  使用：D.mean()
  样本 D 可为 DataFrame 或 Series

• 3. var() 方差

  使用：D.var()
  样本 D 可为 DataFrame 或 Series

• 4. std() 标准差

  使用：D.std()
  样本 D 可为 DataFrame 或 Series

• 5. corr() Spearman(Pearson) 相关系数矩阵

  使用：D.corr(method = ‘pearson’)
  样本 D 可为 DataFrame，返回相关系数矩阵，method 为计算方法，支持 pearson（默认）、kendall、spearman

  S1.corr(S2, method = ‘pearson’) S1、S2 均为 Series，这种格式指定计算两个Series间的相关系数

• 6. cov() 协方差矩阵

  使用：D.cov()
  样本D 可为 DataFrame
  S1.cov(S2, method = ‘pearson’) S1、S2 均为 Series，这种格式指定计算两个Series间的协方差

• 7. skew() 样本值的偏度（三阶矩）
• 8. kurt() 样本值的峰度（四阶矩）
• 9. describe() 给出样本的基本描述（基本统计量加均值、标准差等）

统计特征函数 - 实例

计算 6*5 随机矩阵的协方差矩阵

1
2
3
4
5
6
7

import pandas as pd
import numpy as np

np.random.seed(0)
D = pd.dataFrame(np.random.randn(6, 5))  # 产生 6*5 随机矩阵
print(D.cov())  # 计算协方差矩阵
print(D[0].cov(D[1]))  # 计算第一列和第二列的协方差

统计特征函数 - 累积计算（cum）

• cumsum() 依次给出前 1、2、…、n 个数的和

• cumprod() 依次给出前 1、2、…、n 个数的积

• cummax() 依次给出前 1、2、…、n 个数的最大值

• cummin() 依次给出前 1、2、…、n 个数的最小值

统计特征函数 - 滚动计算（pd.rolling）

• rolling_sum() 总和（按列计算）

• rolling_mean() 算术平均数

• rolling_var() 方差

• rolling_std() 标准差

• rolling_corr() Spearman(Pearson)相关系数矩阵

• rolling_cov() 协方差矩阵

• rolling_skew() 偏度（三阶矩）

• rolling_kurt() 峰度（四阶矩）

PS

• cum 系列函数 是 DataFrame/Series 对象方法，而 rolling_ 系列是 pandas 函数，不是 DataFrame/Series 对象方法，使用格式：D.rolling(k).mean()，意思是 每 k 列 计算一次均值，滚动计算

一个简单的实例（单个样本步骤）