R语言复习总结
!!!重点!!!:data.frame 绘图 矩阵第一章#R语言是区分大小写的解释型语言
#rm()函数用于删除数据区中的数据第二章#R语言下标从1开始
#向量
vector <- c(20173561,1709,20173562,1707)
#矩阵
matrix <- matrix(vector,nrow = 2,ncol = 2,byrow = TRUE)
#数组,在创建数组时指定的维度名称需要以列表的形式传入参数
data <- 1:24
dim1 <- c(“A1”, “A2”)
dim2 <- c(“B1”, “B2”, “B3”)
dim3 <- c(“C1”, “C2”, “C3”, “C4”)
array <- array(data,c(2,3,4),list(dim1, dim2, dim3))
#数据框
patientID <- c(1, 2, 3, 4)#数值型向量
age <- c(25, 34, 28, 52)#数值型向量
diabetes <- c(“Type1”, “Type2”, “Type1”, “Type1”)#data.frame会自动将字符型向量转换为factor因子,其水平数等于factor的所有可能的取值数
status <- c(“Poor”, “Improved”, “Excellent”, “Poor”)
frame <- data.frame(patientID, age, diabetes,status)
frame <- data.frame(patientID, age, diabetes, status, stringsAsFactors=FALSE)指定stringsAsFactors=FALSE让字符串型不转化为因子
#选取数据框的元素
frame[1,]选取第1行
frame[1:2,]选取第1、2行
frame[1]选取第1列
frame[1:2]选取第1、2列
frame[1,3]选取第1行第3列
frame$patientID选取ID列
frame$patientID[2]选取ID列第2行
#列表,列表中可能是若干向量、矩阵、数据框,甚至其他列表的组合
g <- “My First List”
h <- c(25, 26, 18, 39)
j <- matrix(1:10, nrow=5)
k <- c(“one”, “two”, “three”)
list <- list(first = g,second = h,third = j,k)
#将一个值赋给某个向量、矩阵、数组或列表中一个不存在的元素时,R将自动扩展这个数据结构以容纳新值,空余位置填补NA
x <- c(1,2)
x
##结果 [1] 1 2
x[5] <- 5
x
##结果 [1] 1 2 NA NA 5
#读取CSV文件
#read.table(“your file url*”,header = TRUE,sep = “,”)
#默认情况下,字符型变量将转换为因子
#查看数据的结构
str(frame)## ‘data.frame’: 4 obs. of 4 variables:
$ patientID: num 1 2 3 4
$ age : num 25 34 28 52
$ diabetes : Factor w/ 2 levels “Type1”,“Type2”: 1 2 1 1
$ status : Factor w/ 3 levels “Excellent”,“Improved”,…: 3 2 1 3#查看数据维度
dim(frame)## [1] 4 4#查看对象类型
class(frame)## [1] “data.frame”#查看对象属性(字段)(变量)名称
names(frame)## [1] “patientID” “age” “diabetes” “status”#查看某对象前几列,以2为例
head(frame,2)## patientID age diabetes status
1 1 25 Type1 Poor
2 2 34 Type2 Improved第三章#创建新变量
mydatax1 + mydata$x2
mydatax1 + mydata$x2)/2
#变量重编码
leadershipage >= 55 & leadership$age <= 75] <- “Middle Aged”
#变量重命名
法一
install.packages(“reshape”) #先安装包
library(reshape)
your dataframe name <- rename(your dataframe name, c(oldName1=“NewName1”, oldName2=“NewName2”))
法二
names(your dataframe name)[2] <- “newName”
#NA是缺失值,NaN是非数值
#检测缺失值is.na()
#删除带有缺失值数据的行na.omit()
#计算日期差,以日、周等为单位
difftime(time1, time2, units = c(“auto”, “secs”, “mins”, “hours”, “days”, “weeks”))
#数据类型转换
as.numeric()
as.character()
as.vector()
as.matrix()
as.data.frame()
#数据排序
your dataframe name[order(ydn$attribute name),]升序,别忘了逗号
your dataframe name[order(-ydn$attribute name),]降序,别忘了逗号
#多变量排序
your dataframe name[order(ydnattribute name2),]
#数据集合并
#按照某些变量合并 merge(dataframeA, dataframeB, by=c(“attribute name1”,“attribute name2”))
#直接横向合并(添加列)必须有相同的行数并且要以相同顺序进行排序 cbind(A, B)
#直接纵向合并(添加行)必须拥有相同的变量,但顺序不必相同 rbind(A, B)
#数据集取子集
#选入变量your dataframe name[c(“attribute name1”,“attribute name2”,…)]
#剔除变量使用布尔型变量的方式
#1
myvars <- names(leadership) %in% c(“q3”, “q4”)
newdata <- leadership[!myvars]
#2
newdata <- leadership[c(-7,-8)] 如果知道q3和q4是第7个和第8个变量
#3
leadershipq4 <- NULL
#可以按照一定规则进行列的选取
leadership[c(TRUE, FALSE, FALSE),] 如果行数大于3:会得到1、4、7、10、13、16……行
leadership[c(TRUE, FALSE),] 如果行数大于2:会得到1、3、5、7……行
#选取行的时候要注意加逗号
newdata <- leadership[1:3,]
newdata <- leadership[leadershipKaTeX parse error: Expected 'EOF', got '&' at position 13: gender=="M" &̲ leadershipage > 30,]
#subset函数
#newdata <- subset(leadership, age >= 35 | age < 24, select=c(q1, q2, q3, q4))第一个参数操作的dataframe,第二个参数条件,第三个参数所要选择的变量(列)
#随机抽样,别忘了逗号
mysample <- leadership[sample(1:nrow(leadership), 3, replace=FALSE),]
第一个参数是抽样范围
第二个参数是抽样个数
第三个参数是是否放回
#数据转置t()
#数据分类汇总
aggregate(x,by,Fun)
第一个参数是操作的dataframe
第二个参数是按照那些变量(列)进行分类
第三个参数是对分类后的数据进行怎样的操作,这个函数会对该dataframe所有变量进行该函数操作,所以当该dataframe中有非数值型变量时,该函数无法使用
aggdata <-aggregate(mtcars, by=list(cyl,gear), FUN=mean, na.rm=TRUE) by中变量必须在一个列表中,即使只有一个变量
#reshape包
library(reshape)
#融化melt
md <- melt(mydata, id=c(“ID”, “Time”))
该函数会将mydata数据集中除了"ID"“Time"的其余变量(不管多少列)融为两列"Variable”“Value”
#整型cast
newdata <- cast(md, formula, FUN)
第一个参数是操作的数据集
第二个参数是整型的方式,形式为A~B,其中A与B都可以是多个变量,多个变量之间用+连接,A代表整型是按照A进行分类,B代表按照A分组后在按照B中变量取值再进行分组形成新的变量,再对其他的变量按照A分组与B分组进行FUN运算,B的每个不同的取值组合都会成为新数据集的一个新变量
###可以将A理解为行分组,B理解为列分组###
第三个参数是整型使用的函数
#条件控制
#else不能出现在行首第四章#条形图
library(vcd)## Loading required package: gridcounts <- table(ArthritisKaTeX parse error: Expected 'EOF', got '#' at position 11: Improved) #̲准备数据
#简单条形图
bar…mpg, labels=row.names(mtcars), cex=.7, main=“Gas Mileage for Car Models”, xlab=“Miles Per Gallon”)#散点图
plot(mtcarsmpg)
abline(lm(mtcarswt))#为散点图添加最佳拟合线性直线#折线图
t1 <- subset(Orange, Tree==1)
plot(t1circumference,type=“b”) 第五章#平均数mean()
#中位数median()
#方差var()
#标准差sd()
#值域range()
#求和sum()
#最小值min()
#最大值max()
#计算常用统计量的函数summary(),计算最小值、最大值、上下四分位数、均值(或因子向量与逻辑向量的频数)
mt <- mtcars[c(“mpg”, “hp”, “wt”, “am”)]
summary(mt)## mpg hp wt am
Min. :10.40 Min. : 52.0 Min. :1.513 Min. :0.0000
1st Qu.:15.43 1st Qu.: 96.5 1st Qu.:2.581 1st Qu.:0.0000
Median :19.20 Median :123.0 Median :3.325 Median :0.0000
Mean :20.09 Mean :146.7 Mean :3.217 Mean :0.4062
3rd Qu.:22.80 3rd Qu.:180.0 3rd Qu.:3.610 3rd Qu.:1.0000
Max. :33.90 Max. :335.0 Max. :5.424 Max. :1.0000#统计量的计算函数
sapply(x, FUN, options)
#第一个参数是数据框(或矩阵)
#第二个参数是任意函数(可以是用户自定义函数)
#第三个参数是FUN函数的参数(如果有的话)
#sapply对每列应用函数FUN
#分组计算统计量
aggregate()只允许使用单返回值函数
by()允许使用多返回值函数
myvars <- c(“mpg”, “hp”, “wt”)
aggregate(mtcars[myvars], by=list(am=mtcarsKaTeX parse error: Expected 'EOF', got '#' at position 11: am), mean)#̲注意list(am=mtcar…am)的使用。如果使用的是list(mtcars$am),则am列将被标注为Group.1而不是am## am mpg hp wt
1 0 17.14737 160.2632 3.768895
2 1 24.39231 126.8462 2.411000mystats <- function(x, na.omit=FALSE){
if (na.omit)
x <- x[!is.na(x)] #忽略缺失值
m <- mean(x)
n <- length(x)
s <- sd(x)
skew <- sum((x-m)3/s3)/n
kurt <- sum((x-m)4/s4)/n - 3
return(c(n=n, mean=m, stdev=s, skew=skew, kurtosis=kurt))
}
dstats <- function(x)sapply(x, mystats)
by(mtcars[myvars], mtcarsKaTeX parse error: Expected 'EOF', got '#' at position 12: am, dstats)#̲# mtcarsam: 0
mpg hp wt
n 19.00000000 19.00000000 19.0000000
mean 17.14736842 160.26315789 3.7688947
stdev 3.83396639 53.90819573 0.7774001
skew 0.01395038 -0.01422519 0.9759294
kurtosis -0.80317826 -1.20969733 0.1415676
--------------------------------------------------------
mtcars$am: 1
mpg hp wt
n 13.00000000 13.0000000 13.0000000
mean 24.39230769 126.8461538 2.4110000
stdev 6.16650381 84.0623243 0.6169816
skew 0.05256118 1.3598859 0.2103128
kurtosis -1.45535200 0.5634635 -1.1737358#频数表
library(vcd)
#一维频数表
with(Arthritis, table(Improved))## Improved
None Some Marked
42 14 28#一维频率表
prop.table(with(Arthritis,table(Improved)))## Improved
None Some Marked
0.5000000 0.1666667 0.3333333#二维列联表
xtabs(~ A + B, data=mydata),A为行分组,B为列分组
xtabs(~ Treatment+Improved, data=Arthritis)## Improved
Treatment None Some Marked
Placebo 29 7 7
Treated 13 7 21#为二维列联表生成边际和
addmargins(xtabs(~ Treatment+Improved, data=Arthritis))## Improved
Treatment None Some Marked Sum
Placebo 29 7 7 43
Treated 13 7 21 41
Sum 42 14 28 84#行边际和
addmargins(xtabs(~ Treatment+Improved, data=Arthritis),1)## Improved
Treatment None Some Marked
Placebo 29 7 7
Treated 13 7 21
Sum 42 14 28#列边际和
addmargins(xtabs(~ Treatment+Improved, data=Arthritis),2)## Improved
Treatment None Some Marked Sum
Placebo 29 7 7 43
Treated 13 7 21 41#创建二位列联表的简单函数
library(gmodels)
CrossTable(ArthritisImproved)##
Cell Contents
|-------------------------|
| N |
| Chi-square contribution |
| N / Row Total |
| N / Col Total |
| N / Table Total |
|-------------------------|
Total Observations in Table: 84
| Arthritis$Improved
Arthritis$Treatment | None | Some | Marked | Row Total |
--------------------|-----------|-----------|-----------|-----------|
Placebo | 29 | 7 | 7 | 43 |
| 2.616 | 0.004 | 3.752 | |
| 0.674 | 0.163 | 0.163 | 0.512 |
| 0.690 | 0.500 | 0.250 | |
| 0.345 | 0.083 | 0.083 | |
--------------------|-----------|-----------|-----------|-----------|
Treated | 13 | 7 | 21 | 41 |
| 2.744 | 0.004 | 3.935 | |
| 0.317 | 0.171 | 0.512 | 0.488 |
| 0.310 | 0.500 | 0.750 | |
| 0.155 | 0.083 | 0.250 | |
--------------------|-----------|-----------|-----------|-----------|
Column Total | 42 | 14 | 28 | 84 |
| 0.500 | 0.167 | 0.333 | |
--------------------|-----------|-----------|-----------|-----------|
#超二维列联表
xtabs(~ Treatment+Sex+Improved, data=Arthritis)## , , Improved = None
Sex
Treatment Female Male
Placebo 19 10
Treated 6 7
, , Improved = Some
Sex
Treatment Female Male
Placebo 7 0
Treated 5 2
, , Improved = Marked
Sex
Treatment Female Male
Placebo 6 1
Treated 16 5ftable(xtabs(~ Treatment+Sex+Improved, data=Arthritis))#ftable()函数可以以一种紧凑而吸引人的方式输出多维列联表## Improved None Some Marked
Treatment Sex
Placebo Female 19 7 6
Male 10 0 1
Treated Female 6 5 16
Male 7 2 5#参数估计
指的是用样本中的数据估计总体分布的某个或某几个参数,比如给定一定样本容量的样本,要求估计总体的均值、方差等
#点估计
从总体中抽取一个样本,根据该样本的统计量对总体的未知参数做出一个数值点的估计
#区间估计
在点估计的基础上,给出总体参数落在某一区间的概率
两个指标:置信区间是指由样本统计量所构造的总体参数的估计区间,置信水平是指总体未知参数落在区间内的概率,表示为1–α,α为显著性水平,即总体参数未在区间内的概率
#假设检验
通过样本分布,检验某个参数的属于某个区间范围的概率
α错误:在进行假设检验时提出原假设和备择假设,原假设实际上是正确的,但我们做出的决定是拒绝原假设,此类错误称为第一类错误
β错误:原假设实际上是不正确的,但是我们却做出了接受原假设的决定,此类错误称为第二类错误
若总体分布规律已知,则使用参数假设检验;若总体分布规律未知,则使用非参数假设检验
#独立性检验
卡方检测:原假设H0是假设各属性之间相互独立。Χ2越小说明变量之间越独立,Χ2越大说明变量之间越相关,计算得到的p值若远小于0.05,则否定H0
chisq.test(xtabs(~Treatment+Improved, data=Arthritis))##
Pearson’s Chi-squared test
data: xtabs(~Treatment + Improved, data = Arthritis)
X-squared = 13.055, df = 2, p-value = 0.001463# Fisher精确检验:原假H0设是:边界固定的列联表中行和列是相互独立的,不能用于2X2列联表,计算得到的p值若远小于0.05,则否定H0
fisher.test(xtabs(~Treatment+Improved, data=Arthritis))##
Fisher’s Exact Test for Count Data
data: xtabs(~Treatment + Improved, data = Arthritis)
p-value = 0.001393
alternative hypothesis: two.sided# Cochran-Mantel-Haenszel检验:原假设是:两个名义变量在第三个变量的每一层中都是条件独立的,计算得到的p值若远小于0.05,则否定H0
H0就是分性别来看,治疗效果与治疗方式独立
mantelhaen.test(xtabs(~Treatment+Improved+Sex, data=Arthritis))##
Cochran-Mantel-Haenszel test
data: xtabs(~Treatment + Improved + Sex, data = Arthritis)
Cochran-Mantel-Haenszel M^2 = 14.632, df = 2, p-value = 0.0006647#相关性度量
assocstats()函数可以用来计算二维列联表的phi系数、列联系数、Cramer’s V系数,较大的值意味着较强的相关性
assocstats(xtabs(~Treatment+Improved, data=Arthritis))## X^2 df P(> X^2)
Likelihood Ratio 13.530 2 0.0011536
Pearson 13.055 2 0.0014626
Phi-Coefficient : NA
Contingency Coeff.: 0.367
Cramer’s V : 0.394# 协方差,协方差的数值越大,两个变量同向程度也就越大
cov(state.x77[,1:6])## Population Income Illiteracy Life Exp Murder
Population 19931683.7588 571229.7796 292.8679592 -407.8424612 5663.523714
Income 571229.7796 377573.3061 -163.7020408 280.6631837 -521.894286
Illiteracy 292.8680 -163.7020 0.3715306 -0.4815122 1.581776
Life Exp -407.8425 280.6632 -0.4815122 1.8020204 -3.869480
Murder 5663.5237 -521.8943 1.5817755 -3.8694804 13.627465
HS Grad -3551.5096 3076.7690 -3.2354694 6.3126849 -14.549616
HS Grad
Population -3551.509551
Income 3076.768980
Illiteracy -3.235469
Life Exp 6.312685
Murder -14.549616
HS Grad 65.237894# person积差:Pearson积差相关系数衡量了两个定量变量之间的线性相关程度
cor(mtcars)## mpg cyl disp hp drat wt
mpg 1.0000000 -0.8521620 -0.8475514 -0.7761684 0.68117191 -0.8676594
cyl -0.8521620 1.0000000 0.9020329 0.8324475 -0.69993811 0.7824958
disp -0.8475514 0.9020329 1.0000000 0.7909486 -0.71021393 0.8879799
hp -0.7761684 0.8324475 0.7909486 1.0000000 -0.44875912 0.6587479
drat 0.6811719 -0.6999381 -0.7102139 -0.4487591 1.00000000 -0.7124406
wt -0.8676594 0.7824958 0.8879799 0.6587479 -0.71244065 1.0000000
qsec 0.4186840 -0.5912421 -0.4336979 -0.7082234 0.09120476 -0.1747159
vs 0.6640389 -0.8108118 -0.7104159 -0.7230967 0.44027846 -0.5549157
am 0.5998324 -0.5226070 -0.5912270 -0.2432043 0.71271113 -0.6924953
gear 0.4802848 -0.4926866 -0.5555692 -0.1257043 0.69961013 -0.5832870
carb -0.5509251 0.5269883 0.3949769 0.7498125 -0.09078980 0.4276059
qsec vs am gear carb
mpg 0.41868403 0.6640389 0.59983243 0.4802848 -0.55092507
cyl -0.59124207 -0.8108118 -0.52260705 -0.4926866 0.52698829
disp -0.43369788 -0.7104159 -0.59122704 -0.5555692 0.39497686
hp -0.70822339 -0.7230967 -0.24320426 -0.1257043 0.74981247
drat 0.09120476 0.4402785 0.71271113 0.6996101 -0.09078980
wt -0.17471588 -0.5549157 -0.69249526 -0.5832870 0.42760594
qsec 1.00000000 0.7445354 -0.22986086 -0.2126822 -0.65624923
vs 0.74453544 1.0000000 0.16834512 0.2060233 -0.56960714
am -0.22986086 0.1683451 1.00000000 0.7940588 0.05753435
gear -0.21268223 0.2060233 0.79405876 1.0000000 0.27407284
carb -0.65624923 -0.5696071 0.05753435 0.2740728 1.00000000# Spearman等级相关系数:则衡量分级定序变量之间的相关程度
cor(mtcars, method=“spearman”)## mpg cyl disp hp drat wt
mpg 1.0000000 -0.9108013 -0.9088824 -0.8946646 0.65145546 -0.8864220
cyl -0.9108013 1.0000000 0.9276516 0.9017909 -0.67888119 0.8577282
disp -0.9088824 0.9276516 1.0000000 0.8510426 -0.68359210 0.8977064
hp -0.8946646 0.9017909 0.8510426 1.0000000 -0.52012499 0.7746767
drat 0.6514555 -0.6788812 -0.6835921 -0.5201250 1.00000000 -0.7503904
wt -0.8864220 0.8577282 0.8977064 0.7746767 -0.75039041 1.0000000
qsec 0.4669358 -0.5723509 -0.4597818 -0.6666060 0.09186863 -0.2254012
vs 0.7065968 -0.8137890 -0.7236643 -0.7515934 0.44745745 -0.5870162
am 0.5620057 -0.5220712 -0.6240677 -0.3623276 0.68657079 -0.7377126
gear 0.5427816 -0.5643105 -0.5944703 -0.3314016 0.74481617 -0.6761284
carb -0.6574976 0.5800680 0.5397781 0.7333794 -0.12522294 0.4998120
qsec vs am gear carb
mpg 0.46693575 0.7065968 0.56200569 0.5427816 -0.65749764
cyl -0.57235095 -0.8137890 -0.52207118 -0.5643105 0.58006798
disp -0.45978176 -0.7236643 -0.62406767 -0.5944703 0.53977806
hp -0.66660602 -0.7515934 -0.36232756 -0.3314016 0.73337937
drat 0.09186863 0.4474575 0.68657079 0.7448162 -0.12522294
wt -0.22540120 -0.5870162 -0.73771259 -0.6761284 0.49981205
qsec 1.00000000 0.7915715 -0.20333211 -0.1481997 -0.65871814
vs 0.79157148 1.0000000 0.16834512 0.2826617 -0.63369482
am -0.20333211 0.1683451 1.00000000 0.8076880 -0.06436525
gear -0.14819967 0.2826617 0.80768800 1.0000000 0.11488698
carb -0.65871814 -0.6336948 -0.06436525 0.1148870 1.00000000#相关性检验
states<- state.x77[,1:6]
#常用的原假设H0为:变量间不相关(即总体的相关系数为0)也可以是相关系数大于0或小于0。若p值远小于0.05,拒绝原假设。
cor.test(x, y, alternative = , method = ) 一次只能检验一种关系
#第一、二个参数的x和y为要检验相关性的变量
#第三个参数alternative用来指定进行双侧检验或单侧检验(取值为"two.side"、“less"或"greater”)当研究的假设为总体的相关系数小于0时,请使用alternative=“less”。在研究的假设为总体的相关系数大于0时,应使用alternative=“greater”。在默认情况下,假设为alternative=“two.side”(总体相关系数不等于0)。
#第四个参数method用以指定要计算的相关类型(“pearson”、“kendall"或"spearman”)
cor.test(states[,3], states[,5])##
Pearson’s product-moment correlation
data: states[, 3] and states[, 5]
t = 6.8479, df = 48, p-value = 1.258e-08
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.5279280 0.8207295
sample estimates:
cor
0.7029752#corr.test(data, use= , method = ) 一次可以检验多个关系
第一个参数代表操作的数据集
第二个参数use=的取值可为"pairwise"或"complete"(分别表示对缺失值执行成对删除或行删除)
第三个参数method=的取值可为"pearson"(默认值)、“spearman"或"kendall”
library(psych)##
Attaching package: ‘psych’## The following object is masked from ‘package:plotrix’:
rescalecorr.test(states, use=“complete”)## Call:corr.test(x = states, use = “complete”)
Correlation matrix
Population Income Illiteracy Life Exp Murder HS Grad
Population 1.00 0.21 0.11 -0.07 0.34 -0.10
Income 0.21 1.00 -0.44 0.34 -0.23 0.62
Illiteracy 0.11 -0.44 1.00 -0.59 0.70 -0.66
Life Exp -0.07 0.34 -0.59 1.00 -0.78 0.58
Murder 0.34 -0.23 0.70 -0.78 1.00 -0.49
HS Grad -0.10 0.62 -0.66 0.58 -0.49 1.00
Sample Size
[1] 50
Probability values (Entries above the diagonal are adjusted for multiple tests.)
Population Income Illiteracy Life Exp Murder HS Grad
Population 0.00 0.59 1.00 1.0 0.10 1
Income 0.15 0.00 0.01 0.1 0.54 0
Illiteracy 0.46 0.00 0.00 0.0 0.00 0
Life Exp 0.64 0.02 0.00 0.0 0.00 0
Murder 0.01 0.11 0.00 0.0 0.00 0
HS Grad 0.50 0.00 0.00 0.0 0.00 0
To see confidence intervals of the correlations, print with the short=FALSE option#t检验
#用于对两组进行比较
#原假设H0:针对两组独立样本(并且是从正态总体中抽得),两个总体的均值相等。若p值远小于0.05,拒绝原假设。
#第一种调用格式
t.test(y ~ x, data) 其中的y是一个数值型变量,x是一个二分变量
library(MASS)
t.test(Prob ~ So, data=UScrime)##
Welch Two Sample t-test
data: Prob by So
t = -3.8954, df = 24.925, p-value = 0.0006506
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.03852569 -0.01187439
sample estimates:
mean in group 0 mean in group 1
0.03851265 0.06371269#第二种调用格式
t.test(y1, y2) 其中的y1和y2为数值型向量
with(UScrime, t.test(U1, U2, paired=TRUE))##
Paired t-test
data: U1 and U2
t = 32.407, df = 46, p-value < 2.2e-16
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
57.67003 65.30870
sample estimates:
mean of the differences
61.48936第六章library(data.table)
#data.table
#DT[i, j, by]
#读取数据
flights <- fread(“F:\0课件\R语言\flights14.csv”)
#行筛选
flights[origin == “JFK” & month == 6L]## year month day dep_time dep_delay arr_time arr_delay cancelled
1: 2014 6 1 851 -9 1205 -5 0
2: 2014 6 1 1220 -10 1522 -13 0
3: 2014 6 1 718 18 1014 -1 0
4: 2014 6 1 1024 -6 1314 -16 0
5: 2014 6 1 1841 -4 2125 -45 0
—
8418: 2014 6 30 1457 -3 1639 -6 0
8419: 2014 6 30 1454 -5 1622 -32 0
8420: 2014 6 30 1717 -3 1834 -16 0
8421: 2014 6 30 758 -2 927 7 0
8422: 2014 6 30 803 -7 932 -18 0
carrier tailnum flight origin dest air_time distance hour min
1: AA N787AA 1 JFK LAX 324 2475 8 51
2: AA N795AA 3 JFK LAX 329 2475 12 20
3: AA N784AA 9 JFK LAX 326 2475 7 18
4: AA N791AA 19 JFK LAX 320 2475 10 24
5: AA N790AA 21 JFK LAX 326 2475 18 41
—
8418: MQ N931MQ 3231 JFK PIT 62 340 14 57
8419: MQ N802MQ 3295 JFK RDU 65 427 14 54
8420: MQ N530MQ 3365 JFK DCA 39 213 17 17
8421: MQ N502MQ 3370 JFK DCA 52 213 7 58
8422: MQ N811MQ 3465 JFK RDU 67 427 8 3#列筛选(别忘了逗号)可以同时进行列的重命名
flights[,.(newname=tailnum,flight)]#也可以写成 flights[,list(newname=tailnum,flight)]## newname flight
1: N338AA 1
2: N335AA 3
3: N327AA 21
4: N3EHAA 29
5: N319AA 117
—
253312: N23708 1744
253313: N33132 1758
253314: N827MQ 3591
253315: N511MQ 3592
253316: N813MQ 3599#排除列
flights[, -c(“arr_delay”, “dep_delay”), with=FALSE]#"-“可以用”!"代替## year month day dep_time arr_time cancelled carrier tailnum flight
1: 2014 1 1 914 1238 0 AA N338AA 1
2: 2014 1 1 1157 1523 0 AA N335AA 3
3: 2014 1 1 1902 2224 0 AA N327AA 21
4: 2014 1 1 722 1014 0 AA N3EHAA 29
5: 2014 1 1 1347 1706 0 AA N319AA 117
—
253312: 2014 10 31 1459 1747 0 UA N23708 1744
253313: 2014 10 31 854 1147 0 UA N33132 1758
253314: 2014 10 31 1102 1311 0 MQ N827MQ 3591
253315: 2014 10 31 1106 1325 0 MQ N511MQ 3592
253316: 2014 10 31 824 1045 0 MQ N813MQ 3599
origin dest air_time distance hour min
1: JFK LAX 359 2475 9 14
2: JFK LAX 363 2475 11 57
3: JFK LAX 351 2475 19 2
4: LGA PBI 157 1035 7 22
5: JFK LAX 350 2475 13 47
—
253312: LGA IAH 201 1416 14 59
253313: EWR IAH 189 1400 8 54
253314: LGA RDU 83 431 11 2
253315: LGA DTW 75 502 11 6
253316: LGA SDF 110 659 8 24#排序
flights[order(origin,-dest)]#"-"代表降序排序## year month day dep_time dep_delay arr_time arr_delay cancelled
1: 2014 1 5 836 6 1151 49 0
2: 2014 1 6 833 7 1111 13 0
3: 2014 1 7 811 -6 1035 -13 0
4: 2014 1 8 810 -7 1036 -12 0
5: 2014 1 9 833 16 1055 7 0
—
253312: 2014 10 31 929 -1 1158 -22 0
253313: 2014 10 31 2025 -5 2252 -23 0
253314: 2014 4 6 1059 -6 1332 -1 0
253315: 2014 4 7 1122 2 1352 1 0
253316: 2014 4 11 1033 0 1245 -19 0
carrier tailnum flight origin dest air_time distance hour min
1: EV N12175 4419 EWR XNA 195 1131 8 36
2: EV N24128 4419 EWR XNA 190 1131 8 33
3: EV N12142 4419 EWR XNA 179 1131 8 11
4: EV N11193 4419 EWR XNA 184 1131 8 10
5: EV N14198 4419 EWR XNA 181 1131 8 33
—
253312: WN N243WN 706 LGA ATL 112 762 9 29
253313: WN N913WN 2969 LGA ATL 112 762 20 25
253314: EV N760EV 5624 LGA AGS 110 678 10 59
253315: EV N197PQ 5625 LGA AGS 111 678 11 22
253316: EV N391CA 5632 LGA AGS 102 678 10 33#在参数j中进行运算
flights[, sum((arr_delay + dep_delay)<0)]## [1] 141814#.N
#如果我们只想知道满足条件的有多少行的话可以使用.N
flights[origin == “JFK” & month == 6L, .N]## [1] 8422#by分组,by()的参数要是list形式,所以要加上list()或.()
flights[, .(.N), by=.(origin,dest)]## origin dest N
1: JFK LAX 10208
2: LGA PBI 2307
3: EWR LAX 4226
4: JFK MIA 2750
5: JFK SEA 1815
—
217: LGA AVL 2
218: LGA GSP 3
219: LGA SBN 2
220: EWR SBN 6
221: LGA DAL 15#by函数同时可以用boolean进行分组
flights[, .N, .(dep_delay>0, arr_delay>0)]## dep_delay arr_delay N
1: TRUE TRUE 72836
2: FALSE TRUE 34583
3: FALSE FALSE 119304
4: TRUE FALSE 26593#添加列并进行命名
flights[carrier == “AA”, .(arrdelay_mean = mean(arr_delay), depdelay_mean = mean(dep_delay)), by = .(origin, dest, month)]## origin dest month arrdelay_mean depdelay_mean
1: JFK LAX 1 6.590361 14.2289157
2: LGA PBI 1 -7.758621 0.3103448
3: EWR LAX 1 1.366667 7.5000000
4: JFK MIA 1 15.720670 18.7430168
5: JFK SEA 1 14.357143 30.7500000
—
196: LGA MIA 10 -6.251799 -1.4208633
197: JFK MIA 10 -1.880184 6.6774194
198: EWR PHX 10 -3.032258 -4.2903226
199: JFK MCO 10 -10.048387 -1.6129032
200: JFK DCA 10 16.483871 15.5161290#参数j指定多个列
#函数lapply(.SD, FUN)对SD中每列进行FUN函数计算,.SDcols(指定SD中有哪些列)
#上述结果也可以写作:
flights[carrier == “AA”, lapply(.SD, mean), by=.(origin, dest, month), .SDcols=c(“arr_delay”, “dep_delay”)]## origin dest month arr_delay dep_delay
1: JFK LAX 1 6.590361 14.2289157
2: LGA PBI 1 -7.758621 0.3103448
3: EWR LAX 1 1.366667 7.5000000
4: JFK MIA 1 15.720670 18.7430168
5: JFK SEA 1 14.357143 30.7500000
—
196: LGA MIA 10 -6.251799 -1.4208633
197: JFK MIA 10 -1.880184 6.6774194
198: EWR PHX 10 -3.032258 -4.2903226
199: JFK MCO 10 -10.048387 -1.6129032
200: JFK DCA 10 16.483871 15.5161290#chaining表达式
#将前者表达式结果作为后者表达式的参数
flights[carrier == “AA”, .(arrdelay_mean = mean(arr_delay), depdelay_mean = mean(dep_delay)), by = .(origin, dest, month)][order(origin,dest)]## origin dest month arrdelay_mean depdelay_mean
1: EWR DFW 1 6.427673 10.0125786
2: EWR DFW 2 10.536765 11.3455882
3: EWR DFW 3 12.865031 8.0797546
4: EWR DFW 4 17.792683 12.9207317
5: EWR DFW 5 18.487805 18.6829268
—
196: LGA PBI 1 -7.758621 0.3103448
197: LGA PBI 2 -7.865385 2.4038462
198: LGA PBI 3 -5.754098 3.0327869
199: LGA PBI 4 -13.966667 -4.7333333
200: LGA PBI 5 -10.357143 -6.8571429#在原data.table基础上添加列,使用":=",别忘了逗号
#写法一
flights[, :=
(speed = distance / (air_time/60), delay = arr_delay + dep_delay)]
#写法二
flights[, c(“speed”, “delay”) := list(distance/(air_time/60), arr_delay + dep_delay)]
#可以连通by函数一起使用
flights[, max_speed := max(speed), by=.(origin, dest)]
#也可以使用lapply函数对多列施加函数运算
flights[, c(“max_dep_delay”, “max_arr_delay”) := lapply(.SD, max), by = month, .SDcols = c(“dep_delay”, “arr_delay”)]
#更新列,DT[,colname := colnewvalue]
flights[hour == 24L, hour := 0L]
#删除列,DT[,c(colname) := NULL] or DT[,:=
(colname= NULL)]
flights[, c(“delay”) := NULL] # flights[, :=
(delay = NULL)]
#设置主键,值得注意,当主键列的数据改变时,主键将自动删除设为NULL
setkey(flights, origin) 仅设置一列为主键
setkey(flights, origin, dest) 设置两列为主键
setkey(flights, origin, dest, …) 设置多列为主键
#使用主键
flights[.(“JFK”)] subset所有满足条件origin是“JFK”的行
flights[.(“JFK”, “MIA”)] subset所有满足条件origin是“JFK”、dest是“MIA”的行
flights[.(unique(origin), “MIA”)] subset所有仅仅满足条件dest是“MIA”的行第七章library(ggplot2)##
Attaching package: ‘ggplot2’## The following objects are masked from ‘package:psych’:
%+%, alpha#qplot()
#语法
qplot(自变量, 因变量, data = 数据源, geom = 几何图像名称, color = , shape = , alpha = , xlim = , ylim = , xlab = “x_name”, ylab = “y_name”, group = 分组依据变量名, weight = 权重变量)
若geom = “point”,散点图
若geom = “smooth”,拟合平滑曲线
若geom = “boxplot”,箱型图
若geom = “line”,折线图
若geom = “histogram”,直方图(连续变量),可以继续指定binwidth = ,代表组间距
若geom = “density”,密度曲线,可以继续指定adjust = ,代表曲线平滑程度,越大越平滑
若geom = “bar”,条形图(离散变量),可以在因变量位置使用"…density…",代表使用密度而不是频数作为y轴
#geom内可以使用c()指定多个参数进行多种作图
#alpha指定透明度
在指定color变量时,如果参数是连续的最好像将其转成离散型factor,不然的话直接使用该参数会使color是连续变化的
qplot(displ, hwy, data = mpg, colour = factor(cyl))qplot(displ, hwy, data = mpg, colour = cyl)#分面,qplot()默认的分面方法是拆分成若干个窗格
分面使用facets,该函数前参数代表行分组变量,后参数代表列分组变量,若为.则代表不分组
qplot(carat, data = diamonds, facets = color ~ .,
geom = “histogram”, binwidth = 0.1, xlim = c(0, 3))## Warning: Removed 32 rows containing non-finite values (stat_bin).## Warning: Removed 14 rows containing missing values (geom_bar).qplot(carat, data = diamonds, facets = . ~ color,
geom = “histogram”, binwidth = 0.1, xlim = c(0, 3))## Warning: Removed 32 rows containing non-finite values (stat_bin).
Warning: Removed 14 rows containing missing values (geom_bar).#qplot()函数允许使用后缀+函数表达式的方式进行图像的添加,这样每一个后缀函数表达式都单独构成了一个图层
qplot(displ, hwy, data=mpg, facets = . ~ year) + geom_smooth()## geom_smooth()
using method = ‘loess’ and formula ‘y ~ x’#查看图形数据结构
summary(qplot(displ, hwy, data=mpg, facets = . ~ year) + geom_smooth())## data: manufacturer, model, displ, year, cyl, trans, drv, cty, hwy,
fl, class [234x11]
mapping: x = ~displ, y = ~hwy
faceting: <ggproto object: Class FacetGrid, Facet, gg>
compute_layout: function
draw_back: function
draw_front: function
draw_labels: function
draw_panels: function
finish_data: function
init_scales: function
map_data: function
params: list
setup_data: function
setup_params: function
shrink: TRUE
train_scales: function
vars: function
super: <ggproto object: Class FacetGrid, Facet, gg>
-----------------------------------
geom_point: na.rm = FALSE
stat_identity: na.rm = FALSE
position_identity
geom_smooth: na.rm = FALSE, se = TRUE
stat_smooth: na.rm = FALSE, se = TRUE, method = auto, formula = y ~ x
position_identity#ggplot()
#我们看到的图像 = 图形对象 + 图层
#图形对象:ggplot(数据源, aes(自变量, 因变量, colour = 色彩变量))
#图层:layer(geom = “几何图案命称”,params = list(name1 = value1, name2 = value2)stat=“identity”,position=“identity”)
#图层属性在params中指定,color、binwidth等
#图形图像在加上图层之前是看不到图的
p <- ggplot(diamonds, aes(carat, price, colour = cut))
pp + layer(geom = “point”,stat=“identity”,position=“identity”)#ggplot()快捷函数
#上图用快捷函数可以表示为
p+geom_point()#分组应用
library(nlme)
p <- ggplot(Oxboys, aes(age, height, group = Subject)) + geom_line()
p#绘制所有组数据汇总的拟合曲线
p + geom_smooth(aes(group = 1), method=“lm”, size = 2, se = F)#ggplot()分组
ggplot(diamonds, aes(depth)) + xlim(58, 68) + geom_histogram(aes(y = …density…), binwidth = 0.1) + facet_grid(cut ~ .)## Warning: Removed 669 rows containing non-finite values (stat_bin).## Warning: Removed 10 rows containing missing values (geom_bar).#指定分片数据标度自由
library(reshape2)##
Attaching package: ‘reshape2’## The following objects are masked from ‘package:data.table’:
dcast, meltem <- melt(economics, id = “date”)
qplot(date, value, data = em, geom = “line”, group = variable) + facet_grid(variable ~ ., scale = “free_y”)
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- vue调用手机扫描二维码
HbuilderX打包后在手机端或者模拟手机端测试 PC端无法测试;hBuilder打包后集成H5+sdk就可以直接用他们家的sdk了 效果图(代码直接CV即可用)代码部分(代码直接CV即可用) <button @click.native=startRecognize>触发按钮</button> <div id="bcid" …...
2024/3/29 12:32:47 - 基于STM32MP1的开发板介绍
前言: STM32MP1系列的出现吸引了很多STM32新老用户的关注,但是很多的人都会担心一个问题:以前是基于Cortex M系列MCU进行开发,对于cortex-A架构的处理器以及Linux系统都不熟悉如何高效地从MCU跨越到MPU是大家都关心的话题。作为ST官方合作伙伴,米尔电子推出了开发套件MYD-…...
2024/3/29 12:32:47 - 人工智能与机器学习目录
以《机器学习》、《深度学习》两本书为基本 辅以CS231n和CS224n的视频课 使用python3.7 + pycharm + pytorch + TensorFlow 来编程实现代码 同时进行CV和NLP两个方向的论文学习 最后进行几个实际的项目的实战1. Python基础 2. 数学基础 3. 决策树 4. 支持向量机 5. 贝叶斯分类 …...
2024/4/27 13:54:48 - LeetCode第171场周赛(Weekly Contest 171)解题报告
前三题依旧没啥难度,第四题用动态规划,有点难度。第一题:模拟。第二题:位运算。第三题:连通块(并查集 或者 DFS)。第四题:动态规划 DP。详细题解如下。1.将整数转换为两个无零整数的和(Convert Integer To the Sum of Two No Zero Integers)AC代码(C++)2. 或运算的…...
2024/3/29 12:32:44 - 下载Solr,Solr6.6.0
http://archive.apache.org/dist/lucene/solr/6.6.0/...
2024/3/29 12:32:44 - 【网络流】【模板】最小费用最大流
LinkLinkLink luoguluoguluogu P3381P3381P3381 DescriptionDescriptionDescription 如题,给出一个网络图,以及其源点和汇点,每条边已知其最大流量和单位流量费用,求出其网络最大流和在最大流情况下的最小费用。 InputInputInput 第一行包含四个正整数N、M、S、T,分别表示…...
2024/4/27 14:59:12 - 两款静态代码检测工具的对比
测试背景 使用工具:源伞科技Pinpoint Sonarqube测试项目:开源国产CMS软件iBase4J(6000行代码)测试结果汇总 数据统计:SonarQube结果:代码错误 安全隐患 风格质量 总量有效/总量 2/6 4/4 0/93 6/103源伞科技Pinpoint结果:代码错误 安全隐患 风格质量 总量有效/总量 2/2 19/…...
2024/3/29 12:32:41 - xshell连接虚拟机失败
xshell连接不上虚拟机虚拟机和主机相互ping可以通端口号也没问题大佬们怎么解决...
2024/3/29 12:32:40 - 【算法】——Leetcode 287 Find the Duplicate Number 唯一出现两次的数
目录题目随想思路及代码方法1 哈希表优点:缺点:方法2 排序优点:缺点:方法3 二分查找优点:缺点:代码方法4 利用索引交换优点:缺点:代码:方法5 链表判环优点:缺点:代码: 题目 原题链接 Given an array nums containing n + 1 integers where each integer is betwee…...
2024/4/27 15:34:16 - 算法提高 彩票
算法提高 彩票 为丰富男生节活动,贵系女生设置彩票抽奖环节,规则如下: 1、每张彩票上印有7个各不相同的号码,且这些号码的取值范围为[1, 33]; 2、每次在兑奖前都会公布一个由七个互不相同的号码构成的中奖号码; 3、共设置7个奖项,特等奖和一等奖至六等奖。兑奖规则如下:…...
2024/4/16 0:26:20 - Java Web——文件下载getResourceAsStream()返回NULL解决方案
问题描述严重: Servlet.service() for servlet [club.zstuca.demo.DownloadDemo] in context with path [/DEMOWeb] threw exception java.lang.NullPointerExceptionat club.zstuca.demo.DownloadDemo.doGet(DownloadDemo.java:48)at javax.servlet.http.HttpServlet.service(…...
2024/3/29 12:32:37 - webRTC audio调试
1、AEC dump调试chrome://webrtc-internals/2、...
2024/4/16 18:50:57 - 墙上裂纹检测————中值、高斯、双边滤波
原图像:import cv2 o=cv2.imread("binary3.bmp") cv2.imshow("original",o) # 中值滤波 r1=cv2.medianBlur(o,1) cv2.imshow("result1",r1) # 高斯滤波 r2=cv2.GaussianBlur(o,(7,7),0,0) cv2.imshow("result2",r2) #双边滤波 r3=cv2…...
2024/3/29 12:32:35 - 1070 结绳
#include<iostream> #include<algorithm> using namespace std; int main() {int n;cin>>n;int s[n];for(int i=0; i<n; ++i)cin>>s[i];sort(s,s+n);int ans=s[0];for(int i=1; i<n;++i)ans=(ans+s[i])/2;cout<<ans;return 0; }...
2024/3/29 12:32:35 - 2、数学基础①:高数线代与概率论基础
机器学习与人工智能目录:https://blog.csdn.net/weixin_38608322/article/details/90698199 本文参考:https://study.163.com/course/courseMain.htm?courseId=1006185120 QR原理可以参考:https://blog.csdn.net/shushi6969/article/details/7992108 最大似然估计可以参考:…...
2024/4/25 9:49:26 - vmware安装Centos
1. Vmware安装centos8新建虚拟机,关联好iso镜像文件,启动虚拟机1.1. 启动1.2. 配置 选择语言继续,点击Done,使用默认的磁盘分区1.3. Network & host name1.4. Date & Time [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5sdgBEKj-1579143…...
2024/4/1 21:39:26 - C#一个精简的本地缓存
自己写着玩的,小项目用的,一共没几行代码,关键是内存要大using System; using System.Collections.Generic;namespace HelloWorld {public class MyCache{private static Dictionary<string, object> CustomCache = new Dictionary<string, object>();//容器,参…...
2024/3/29 7:46:43 - AD设置板框&拼版
设置板框: 1、绘制边界 在PCB图中选择电气隔离层Keep-Out Layer,然后选择菜单命令【Place】|【Line】,在PCB图中定义一个500mil*500mil的电气边界; 建议定义边界时建议首先画四根独立的线,然后【双击】每一根线,通过坐标的方式设定每一根线的位置和长度,因为这样更精确;…...
2024/3/29 7:46:43 - 错误回显
前提:将前面的用户注册案例的时间转化时,抛出运行时异常在struts.xml中配置回显页面,让其发生错误后还回到这个注册页面,并且给出错误信息在register.jsp中添加struts的标签那么当出现错误的时候就会把出现错误的错误信息抛出到这个标签内部这里面注意,错误必须抛出,要不…...
2024/3/29 7:46:41 - 软件工程 部分大厂的开源工具
一、大厂的技术博客平台 百度:http://fex.baidu.com/ http://efe.baidu.com/ 饿了么:https://fe.ele.me 腾讯:http://www.alloyteam.com/ 美团:https://tech.meituan.com/ 滴滴:https://didi.github.io/ 蚂蚁金服:https://ant.design/ 淘宝:http://taobaofed.org/ 京…...
2024/3/29 7:46:40
最新文章
- 【Linux】基础指令
文章目录 基础指令1. pwd 指令2. cd 指令3. ls 指令4. touch 指令5. mkdir 指令6. rmdir 和 rm 指令7. man 指令8. cp 指令9. mv 指令10. cat 指令11. more 和 less 指令12. head 和 tail 指令13. date 指令14. cal 指令15. find 指令16. grep 指令18. zip 和 unzip 指令19. ta…...
2024/4/27 15:45:27 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - Unity 遮罩
编辑器版本 2017.2.3f1 学习Unity的三张遮罩方式 1. Mask 遮罩方式 首先,在界面上创建2个Image,一个命名Img_Mask,大小设置 400* 400, 一个命名Img_Show,大小设置500*500。 然后,给 Img_Mask添加Mask,选择Img_Mask,点击Add Com…...
2024/4/19 8:05:48 - nodeJs 实现视频的转换(超详细教程)
前段时间拿到一个视频是4k的,没法播放,于是通过 node.js 和 ffmpeg 实现了视频的转换。在win10 系统下实现。 所需工具 node 16.19 直接安装 ffmpeg-5.1.1-essentials_build 解压后重名 ffmpeg 放到C盘 然后配置下环境变量 Git-2.42.0.2-64-bit 直接…...
2024/4/25 4:25:51 - 基于物联网的智能家居远程视频监控系统设计与实现
基于物联网的智能家居远程视频监控系统设计与实现 摘要:随着物联网技术的快速发展,智能家居系统已成为提升家居安全性和便利性的重要手段。本文设计并实现了一套基于物联网的智能家居远程视频监控系统,该系统结合了嵌入式技术、网络通信技术…...
2024/4/25 7:43:47 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/4/26 18:09:39 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/4/26 20:12:18 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/4/26 23:05:52 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/4/27 4:00:35 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/4/25 18:39:22 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/4/27 14:22:49 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/4/26 21:56:58 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/4/27 9:01:45 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/4/26 16:00:35 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/4/25 18:39:16 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/4/25 18:39:16 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/4/26 19:03:37 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/4/26 22:01:59 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/4/25 18:39:14 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/4/26 23:04:58 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/4/25 2:10:52 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/4/25 18:39:00 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/4/26 19:46:12 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/4/27 11:43:08 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/4/27 8:32:30 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57