【学习笔记】第四章 概率论与数理统计
目录
4.1 随机变量的概率计算和数字特征
4.1.1 随机变量的概率计算
4.1.2 随机变量数字特征简介
4.1.3 随机变量数字特征计算及应用
4.2 描述性统计和统计图
4.2.1 统计的基础知识
1. 样本和总体
2. 频数表和直方图
3. 统计量
4.2.2 用python计算统计量
1. 使用Numpy计算统计量
4.2.3 统计图
1. 频数图及直方图
2. 线箱图
3. 经验分布函数
4. Q-Q图
4.3 参数估计和假设检验
4.3.1 参数估计
1. 极大似然估计
2. 区间估计
4.3.2 参数假设检验(知道总体服从什么类型的分布)
1. 单个总体均值的假设检验
4.3.3 非参数假设检验(不知道总体服从什么类型的分布)
1. 分布拟合检验( 检验法)
2. Kolmogorov-Smirnov检验
4.4 方差分析
4.4.1 单因素方差分析及python实现
4.4.2 双因素方差分析及python实现
1. 数学模型
4.1 随机变量的概率计算和数字特征
4.1.1 随机变量的概率计算
例4.1 设 (1)求P{2<X<6};(2)确定c,使P{-3c<X<2c}=0.6
from scipy.stats import norm
from scipy.optimize import fsolve
print("p=",norm.cdf(6,3,5)-norm.cdf(2,3,5))#做差,后减前
f=lambda c: norm.cdf(2*c,3,5)-norm.cdf(-3*c,3,5)-0.6
print("c=",fsolve(f,0))
定义4.1 α分位数
若连续型随机变量X的分布函数为 ,对于0<α<1,若 使得 ,则称 为这个分布的α分位数。若 的反函数存在,则有
定义4.2 上α分位数
若连续型随机变量X的分布函数为 ,对于,若 使得 ,则称 为这个分布的上α分位数。 若 的反函数存在,则有
例4.2 设 ,若 满足条件 ,则称 为标准正态分布的上α分位数。试计算几个常用的 的值,并画出 的示意图.
计算得到几个常用的 的值见下表, 的示意图见下图:
from scipy.stats import norm
from pylab import plot,fill_between,show,text,savefig,rc
from numpy import array, linspace, zeros
alpha=array([0.001, 0.005, 0.01, 0.025, 0.05, 0.10])#表中给的alpha的值
za=norm.ppf(1-alpha,0,1) #求上alpha分位数 #定义4.2
print("上alpha分位数分别为", za)
x=linspace(-4, 4, 100); y=norm.pdf(x, 0, 1)
rc('font',size=16); rc('text',usetex=True)
plot(x,y) #画标准正态分布密度曲线
x2=linspace(za[-1],4,100)#在0.1对应的上alpha分位数和4之间取100个点
y2=norm.pdf(x2);
y1=[0]*len(x2)
fill_between(x2, y1, y2, color='r') #y1,y2对应的点之间填充
plot([-4,4],[0,0]) #画水平线 # [-4,0]|[4,0]
text(1.9, 0.07, "$\\leftarrow\\alpha$=0.1") #标注
savefig("figure4_2.png", dpi=500); show()
4.1.2 随机变量数字特征简介
定义4.3:设随机变量X的分布律为:
若级数 绝对收敛,则称级数 的和为随机变量X的数学期望,记为 ,即
定义4.4:设X是一个随机变量,若 存在,则称 为X的方差,记为D(X)或Var(X),即:
称为标准差或均方差。
方差其实就是随机变量X的函数 的数学期望
定义4.5:随机变量X的偏度和峰度指的是X的标准化变量的三阶中心距和四阶中心矩:
定义4.6:称为随机变量X与Y的协方差,记为Cov(X,Y),即
而 称为随机变量X与Y的相关系数。、
定义4.7:k阶矩,中心矩,混合矩,混合中心矩
定义4.8:协方差矩阵
重要分布的数学期望和方差公式:
4.1.3 随机变量数字特征计算及应用
例4.3 计算二项分布b(20,0.8)的均值和方差:
from scipy.stats import binom
n, p=20, 0.8
print("期望和方差分布为:", binom.stats(n,p))
即:期望为16,方差为3.2
例4.4 计算二项分布b(20,0.8)的均值、方差、偏度、峰度。
from scipy.stats import binom
n, p=20, 0.8
mean, variance, skewness, kurtosis=binom.stats(n, p, moments='mvsk')
#上述语句不显示,只为了说明数据顺序
print("所求的数字特征为:", binom.stats(n, p, moments='mvsk'))
即均值,方差,偏度,峰度分别为16,3.2,-0.3354,0.0125。
例4.5 某路政部门负责城市某条道路的路灯维护.更换路灯时,需要专用云梯车进行线路检测和更换灯泡,向相应的管理部门提出电力使用和道路管制申请,还要向雇用的各类人员支付报酬等,这些工作需要的费用往往比灯泡本身的费用更高,灯泡坏1个换1个的办法是不可取的.根据多年的经验,他们采取整批更换的策略,即到一定的时间,所有灯泡无论好与坏全部更换.
上级管理部门通过监察灯泡是否正常工作对路政部门进行管理,一旦出现1个灯泡不亮,管理部门就会按照折合计时对他们进行罚款.
现抽查某品牌灯泡200个,假设其寿命服从 N(4000,1002)(单位: h)分布,每个灯泡的更换费用(包括灯泡的成本和安装时分摊到每个灯泡的费用)为80元,管理部门对每个不亮的灯泡制订的惩罚费用为0.02元/h,应多长时间进行一次灯泡的全部更换.
from scipy.integrate import quad
from numpy import exp, sqrt, pi, abs
a=80; b=0.02; BD=a/b; mu=4000; s=100
y=lambda x: x*exp(-(x-mu)**2/(2*s**2))/sqrt(2*pi)/s #定义积分的被积函数
I=0; x1=0; x2=10000
while abs(I-BD)>1E-16:c=(x1+x2)/2I=quad(y,-10000,c)[0] #由3sigma准则这里积分下限取为-10000,取零效果一样if I>BD: x2=celse: x1=c
print("最佳更换周期为:", c)
4.2 描述性统计和统计图
4.2.1 统计的基础知识
1. 样本和总体
2. 频数表和直方图
3. 统计量
(1)表示位置的统计量:算数平均值和中位数
算术平均值(简称均值)是描述数据取值的平均位置,记作 ,公式:
中位数是数据由小到大排序后位于中间位置的那个数值,当n为偶数时,取值为中间两数的算术平均值
(2)表示变异程度的统计量: 标准差、方差和极差
标准差s定义为: ,它是各个数据与均值偏离程度的度量,这种偏离不妨成为变异。
方差是标准差的平方。
极差是样本最大值与最小值的差。
(3)表示分布形状的统计量:偏度和峰度
偏度:
峰度:
(4)协方差和相关系数
4.2.2 用python计算统计量
1. 使用Numpy计算统计量
Numpy库中计算统计量的函数
例4.6 学校随机抽取100名学生,测量他们的身高和体重,所得数据如表所示(略),试分别求身高的均值,中位数,极差,方差,标准差;计算身高与体重的协方差、相关系数。
from numpy import reshape, hstack, mean, median, ptp, var, std, cov, corrcoef
import pandas as pd
df = pd.read_excel("Pdata4_6_1.xlsx",header=None)
a=df.values #提取数据矩阵
h=a[:,::2] #提取奇数列身高
w=a[:,1::2] #提取偶数列体重
h=reshape(h,(-1, 1)) #转换成列向量,自动计算行数
w=reshape(w,(-1, 1)) #转换成列向量,自动计算行数
hw=hstack([h,w]) #构造两列的数组
print([mean(h),median(h),ptp(h),var(h),std(h)]) #计算均值,中位数,极差,方差,标准差
print("协方差为:{}\n相关系数为:{}".format(cov(hw.T)[0,1],corrcoef(hw.T)[0,1]))
2. 使用Pandas的DataFrame计算统计量
Pandas的DataFrame数据结构为我们提供了若干统计函数,下标给出了部分统计量的方法:
例4.7 (续例4.6)使用 pandas的describe方法计算相关统计量,并计算身高和体重的偏度,峰度,样本的25%,50%,90%分位数。
from numpy import reshape, c_
import pandas as pd
df = pd.read_excel("Pdata4_6_1.xlsx",header=None)
a=df.values; h1=a[:,::2]; w1=a[:,1::2]
h2=reshape(h1,(-1, 1)); w2=reshape(w1,(-1, 1))
df2=pd.DataFrame(c_[h2,w2],columns=["身高","体重"]) #构造数据框
print("求得的描述统计量如下:\n",df2.describe())
print("偏度为:\n",df2.skew())
print("峰度为:\n",df2.kurt())
print("分位数为:\n",df2.quantile(0.9))
4.2.3 统计图
1. 频数图及直方图
计算频数并且画直方图的命令为:
hist(x,bins=None,range=None,density=None,weights=None,cumulative=False,bottom=None,
histtype='bar' ,align='mid ' ,orientation='vertical ' , rwidth=None,logFalse,color=None,label=None,stacked=False)
他将区间[min(x),max(x)]等分为bins份,统计在每个左闭右开小区间(最后一个区间为闭区间)上的数据出现的频数并画直方图。其中一些参数含义如下:
例4.8(续4.6)画出身高和体重的直方图,并统计从最小体重到最大体重,等间距分为6个小区间,数据出现在每个小区间的频数。
import numpy as np
import matplotlib.pyplot as plt
a=np.loadtxt("Pdata4_6_2.txt")
h=a[:,::2]; w=a[:,1::2]
h=np.reshape(h,(-1,1)); w=np.reshape(w,(-1,1))
plt.rc('font',size=16); plt.rc('font',family="SimHei")
plt.subplot(121); plt.xlabel("身高"); plt.hist(h,10) #只画直方图不返回频数表
plt.subplot(122); ps=plt.hist(w,6) #画图并返回频数表ps
plt.xlabel("体重"); print("体重的频数表为:", ps)
plt.savefig("figure4_8.png", dpi=500); plt.show()
2. 线箱图
定义4.9 样本分位数:
定义:箱线图
例4.9 下面分别给出了25个男子和25个女子的肺活量数据(以L计,数据已经排过序)(略),请画出线相图
import numpy as np
import matplotlib.pyplot as plt
a=np.loadtxt("Pdata4_9.txt") #读入两行的数据
b=a.T #转置成两列的数据
plt.rc('font',size=16); plt.rc('font',family='SimHei')
plt.boxplot(b,labels=['女子','男子'])
plt.savefig('figure4_9.png', dpi=500); plt.show()
箱线图特别适用于比较两个或两个以上数据集的性质,为此,将几个数据集的箱线图画在同一个图形界面上.例如,在图4.4中可以明显地看到男子的肺活量要比女子的肺活量大,男子的肺活量较女子的肺活量分散.
疑似异常值:
在数据集中某一个观察值不寻常地大于或小于该数集中的其他数据,称为疑似异常值.疑似异常值的存在,会对随后的计算结果产生不适当的影响.检查疑似异常值并加以适当的处理是十分必要的.
第一四分位数Q1与第三四分位数Q3之间的距离:Q3-Q1记为_IOR,称为四分位数间距.若数据小于Q1-1.5IQR或大于Q3+ 1.5IQR,就认为它是疑似异常值.
例4.10(续例4.6)画身高和体重的箱线图
import numpy as np
import matplotlib.pyplot as plt
a=np.loadtxt("Pdata4_6_2.txt")
h=a[:,::2]; w=a[:,1::2]
h=np.reshape(h,(-1,1)); w=np.reshape(w,(-1,1))
hw=np.hstack((h,w)); plt.rc('font',size=16)
plt.rc('font',family='SimHei')
plt.boxplot(hw,labels=['身高','体重'])
plt.savefig("figure4_10.png",dpi=500); plt.show()
3. 经验分布函数
例4.11(续4.6)画出体重的经验分布函数图形
import numpy as np
import matplotlib.pyplot as plt
a=np.loadtxt("Pdata4_6_2.txt")
w=a[:,1::2]; w=np.reshape(w,(-1,1)); plt.rc('font',size=16)
h=plt.hist(w,20,density=True, histtype='step', cumulative=True)
print(h); plt.grid()
plt.savefig("figure4_11.png",dpi=500); plt.show()
4. Q-Q图
Q-Q图是检验拟合优度的好方法,目前在国内外广泛使用
例4.12 对于例4.6中的身高数据,如果他们来自于正态分布,求该正态分布的参数,试画出他们的Q-Q图,判断拟合效果。、
(1)用矩估计法估计参数的取值,算出样本的均值和标准差
(2)画Q-Q图
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm, probplot
a=np.loadtxt("Pdata4_6_2.txt")
h=a[:,::2]; h=h.flatten()
mu=np.mean(h); s=np.std(h); print([mu,s])#求样本均值和方差
sh=np.sort(h) #按从小到大排序
n=len(sh); xi=(np.arange(1,n+1)-1/2)/n
yi=norm.ppf(xi,mu,s)
plt.rc('font',size=16);plt.rc('font',family='SimHei')
plt.rc('axes',unicode_minus=False) #用来正常显示负号
plt.subplot(121); plt.plot(yi, sh, 'o', label='QQ图');
plt.plot([155,185],[155,185],'r-',label='参照直线')
plt.legend(); plt.subplot(122)
res = probplot(h,plot=plt)
plt.savefig("figure4_12.png",dpi=500); plt.show()
4.3 参数估计和假设检验
4.3.1 参数估计
1. 极大似然估计
例4.13 假定例4.6中学生的身高服从正态分布,求总体均值和标准差的极大似然估计。
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
a=np.loadtxt("Pdata4_6_2.txt")
h=a[:,::2]; h=h.flatten()
mu=np.mean(h); s=np.std(h);
print("样本均值和标准差为:",[mu,s])
print("极大似然估计值为:", norm.fit(h))
2. 区间估计
定义:样本均值的标准误差(SEM)
例4.14 有一大批糖果,现从中选择16袋,称得重量(以g计)如下(略),设袋装糖果的重量近似的服从正态分布,试求总体均值 的置信水平为0.95的置信区间。
from numpy import array, sqrt
from scipy.stats import t
a=array([506, 508, 499, 503, 504, 510, 497, 512,
514, 505, 493, 496, 506, 502, 509, 496])
# ddof取值为1时,标准偏差除的是(N-1);NumPy中的std计算默认是除以N
mu=a.mean(); s=a.std(ddof=1) #计算均值和标准差
print(mu, s); alpha=0.05; n=len(a)
val=(mu-s/sqrt(n)*t.ppf(1-alpha/2,n-1),mu+s/sqrt(n)*t.ppf(1-alpha/2,n-1))
print("置信区间为:",val)
或者可以直接调用库函数求置信区间:
import numpy as np
import scipy.stats as ss
from scipy import stats
a=np.array([506, 508, 499, 503, 504, 510, 497, 512,
514, 505, 493, 496, 506, 502, 509, 496])
alpha=0.95; df=len(a)-1
ci=ss.t.interval(alpha,df,loc=a.mean(),scale=ss.sem(a))
print("置信区间为:",ci)
4.3.2 参数假设检验(知道总体服从什么类型的分布)
1. 单个总体均值的假设检验
(1)正态总体标准差 已知的Z检验法
例4.15 某车间用一台包装机包装糖果.包得的袋装糖重是一个随机变量,它服从正态分布.当机器正常时,其均值为0.5kg,标准差为0.015kg.某日开工后为检验包装机是否正常,随机地抽取它所包装的糖9袋,称得净重(kg)为
0.497 0.506 0.518 0.524 0.498 0.511 0.520 0.515 0.512问机器是否正常?
import numpy as np
from statsmodels.stats.weightstats import ztest
sigma=0.015
a=np.array([0.497, 0.506, 0.518, 0.524, 0.498, 0.511, 0.520, 0.515, 0.512])
tstat1, pvalue=ztest(a,value=0.5) #计算T统计量的观测值及p值
tstat2=tstat1*a.std(ddof=1)/sigma #转换为Z统计量的观测值
print('t值为:',round(tstat1,4))
print('z值为:',round(tstat2,4)); print('p值为:',round(pvalue,4))
(2)正态总体标准差 未知的 t 检验法
例4.16 某批矿砂的5个样品中的镍含量(%),经测定为3.25 3.27 3.24 3.26 3.24
设测定值总体服从正态分布,但参数均未知,问在α=0.01下能否接受假设:这批矿砂的镍含量的均值为3.25.
import numpy as np
from statsmodels.stats.weightstats import ztest
a=np.array([3.25, 3.27, 3.24, 3.26, 3.24])
tstat, pvalue=ztest(a,value=3.25)
print('检验统计量为:',tstat); print('p值为:',pvalue)
例4.18 分别给出两位文学家马克·吐温(Mark Twain的8篇小品文以及斯诺特格拉斯(Snodgrass)的10篇小品文中由3个字母组成的单词的比例.
两位作家作品中单词统计数据
马克·吐温 0.225 0.262 0.217 0.240 0.230 0.229 0.235 0.217
斯诺特格拉斯 0.209 0.205 0.196 0.210 0.202 0.207 0.224 0.223 0.220 0.201
设两组数据分别来自正态总体,且两总体方差相等,但参数均未知.两样本相互独立.问两位作家所写的小品文中包含由3个字母组成的单词的比例是否有显著的差异(取α =0.05)?
import numpy as np
from statsmodels.stats.weightstats import ttest_ind
a=np.array([0.225, 0.262, 0.217, 0.240, 0.230, 0.229, 0.235, 0.217])
b=np.array([0.209, 0.205, 0.196, 0.210, 0.202, 0.207,0.224, 0.223, 0.220, 0.201])
tstat, pvalue, df=ttest_ind(a, b, value=0)
print('检验统计量为:',tstat); print('p值为:',pvalue)
print('自由度为:',df)
4.3.3 非参数假设检验(不知道总体服从什么类型的分布)
1. 分布拟合检验( 检验法)
例4.19 根据某市公路交通部门某年上半年交通事故记录,统计得星期一至星期日发生交通事故的次数如表4.8所示.试检验交通事故的发生次数是否服从离散均匀分布,即交通事故的发生与星期几无关.
import numpy as np
import scipy.stats as ss
bins=np.arange(1,8)
mi=np.array([36, 23, 29, 31, 34, 60, 25])
n=mi.sum(); p=np.ones(7)/7
cha=(mi-n*p)**2/(n*p); st=cha.sum()
bd=ss.chi2.ppf(0.95,len(bins)-1) #计算上alpha分位数
print("统计量为:{},临界值为:{}".format(st,bd))
例4.20某车间生产滚珠,随机地抽出」50粒,测符它的且江(平: )为
15.0 15.8 15.2 15.1 15.9 14.7 14.8 15.5 15.6 15.3
15.1 15.3 15.0 15.6 15.7 14.8 14.5 14.2 14.9 14.9
15.2 15.0 15.3 15.6 15.1 14.9 14.2 14.6 15.8 15.2
15.9 15.2 15.0 14.9 14.8 14.5 15.1 15.5 15.5 15.1
15.1 15.0 15.3 14.7 14.5 15.5 15.0 14.7 14.6 14.2
经过计算知样本均值 = 15.0780,样本标准差s=0.4282,试问滚珠直径是否服从正态分布N(15.0780,)( = 0.05)?
import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as ss
n=50; k=8 #初始小区间划分的个数
a=np.loadtxt("Pdata4_20.txt")
a=a.flatten(); mu=a.mean(); s=a.std()
print("均值为:", mu); print("标准差为:", s)
print("最大值为:",a.max()); print("最小值为:",a.min())
bins=np.array([14.2, 14.625, 14.8375, 15.05, 15.2625, 15.475, 15.9])
h=plt.hist(a,bins)
f=h[0]; x=h[1] #提取各个小区间的频数和小区间端点的取值
print("各区间的频数为:",f,"\n小区间端点值为:",x)
p=ss.norm.cdf(x, mu, s) #计算各个分点分布函数的取值
dp=np.diff(p) #计算各小区间取值的理论概率
dp[0]=ss.norm.cdf(x[1],mu,s) #修改第一个区间的概率值
dp[-1]=1-ss.norm.cdf(x[-2],mu,s) #修改最后一个区间的概率值
print("各小区取值的理论概率为:",dp)
st=sum(f**2/(n*dp))-n #计算卡方统计量的值
bd=ss.chi2.ppf(0.95,k-5) #计算上alpha分位数
print("统计量为:{},临界值为:{}".format(st,bd))
2. Kolmogorov-Smirnov检验
定义:Kolmogorov-Smirnov检验统计量
例4.21(续例4.6) 检验学生的体重是否服从正态分布
import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as ss
a=np.loadtxt("Pdata4_6_2.txt")
w=a[:,1::2]; w=w.flatten()
mu=w.mean(); s=w.std(ddof=1) #计算样本均值和标准差
print("均值和标准差分别为:", (mu, s))
statVal, pVal=ss.kstest(w,'norm',(mu,s))
print("统计量和P值分别为:", [statVal, pVal])
4.4 方差分析
4.4.1 单因素方差分析及python实现
*单因素方差分析:在一项实验中只考虑一个因素A的变化
例4.22 用4种工艺A1, A2, A3,A4 生产灯泡,从各种工艺制成的灯泡中各抽出了若干个测量其寿命,结果如表4.10所示,试推断这几种工艺制成的灯泡寿命是否有显著差异.
讲解见P151——P155
import numpy as np
import statsmodels.api as sm
y=np.array([1620, 1670, 1700, 1750, 1800, 1580, 1600, 1640, 1720,1460, 1540, 1620, 1680, 1500, 1550, 1610])
x=np.hstack([np.ones(5), np.full(4,2), np.full(4,3), np.full(3,4)])
d= {'x':x,'y':y} #构造字典
model = sm.formula.ols("y~C(x)",d).fit() #构建模型
anovat = sm.stats.anova_lm(model) #进行单因素方差分析
print(anovat)
PR=0.042004<0.05,所以这几种工艺制成的灯泡寿命有显著差异
例4.23(均衡数据)为考察5名工人的劳动生产率是否相同,记录了每人4天的产量,判断他们的生产率有无明显差别。
import numpy as np
import pandas as pd
import statsmodels.api as sm
df = pd.read_excel("Pdata4_23.xlsx", header=None)
a=df.values.T.flatten()
print(a)
b=np.arange(1,6)
x=np.tile(b,(4,1)).T.flatten()
print(x)
d={'x':x,'y':a} #构造求解需要的字典
model = sm.formula.ols("y~C(x)",d).fit() #构建模型
anovat = sm.stats.anova_lm(model) #进行单因素方差分析
print(anovat)
PR=0.110913>0.05,所以没有显著差异
4.4.2 双因素方差分析及python实现
1. 数学模型
P1155(P169)
【学习笔记】第四章 概率论与数理统计相关推荐
- 《Go语言圣经》学习笔记 第四章 复合数据类型
<Go语言圣经>学习笔记 第四章 复合数据类型 目录 数组 Slice Map 结构体 JSON 文本和HTML模板 注:学习<Go语言圣经>笔记,PDF点击下载,建议看书. ...
- 计算机网络(第7版)谢希仁著 学习笔记 第四章网络层
计算机网络(第7版)谢希仁著 学习笔记 第四章网络层 第四章 网络层 4.3划分子网和构造超网 p134 4.3.1划分子网 4.3.2使用子网时分组的转发 4.3.3无分类编址CIDR(构建超网) ...
- Effective Java(第三版) 学习笔记 - 第四章 类和接口 Rule20~Rule25
Effective Java(第三版) 学习笔记 - 第四章 类和接口 Rule20~Rule25 目录 Rule20 接口优于抽象类 Rule21 为后代设计接口 Rule22 接口只用于定义类型 ...
- 机器人导论(第四版)学习笔记——第四章
机器人导论(第四版)学习笔记--第四章 4.1 引言 4.2 解的存在性 4.3 当n<6时操作臂子空间的描述 4.4 代数解法和几何解法 4.5 简化成多项式的代数解法 4.6 三轴相交的Pi ...
- 线性代数学习笔记——第四章学习指南——n维向量空间
一.学习内容及要求 1. 内容: §4.1. n维向量空间的概念 线性代数学习笔记--第四十讲--n维向量空间的概念 线性代数学习笔记--第四十一讲--n维向量空间的子空间 §4.2. 向量组的线性相 ...
- Lan Goodfellow 《DEEP LEARNING》学习笔记 --第四章
https://app.yinxiang.com/shard/s64/nl/22173113/a89ab8f8-3937-419c-8b81-cc913abaa35a/ 为了方便起见,我用的可手写的a ...
- python实验题第四章_「Python」2020.03.16学习笔记 | 第四章列表、元组、字典-习题(11-13)...
学习测试开发的Day74,真棒! 学习时间为1H 第四章列表.元组.字典-习题(11-13) 11.求两个集合的交集和并集 代码 list1=[1,2,3,4] list2=[2,3,5,5] def ...
- 学习笔记(01):机器学习数学基础--概率论与数理统计视频教学-矩估计和最大似然估计...
立即学习:https://edu.csdn.net/course/play/8617/177375?utm_source=blogtoedu 我觉得这个老师就是猴博士本人,因为我最近也买了猴博士的&q ...
- java email bean_JavaWeb学习笔记-第四章JavaBean技术
第四章 JavaBean技术 4.2.2 使用JavaBean的意义 如果使HTML代码与Java代码相分离,将Java代码单独封装成为一个处理某种业务逻辑的类,然后在JSP页面中调用此类,就可以降低 ...
- 深入理解Linux网路技术内幕学习笔记第四章:通知链
第四章:通知链 内核很多子系统之间具有很强的依赖性,其中一个子系统侦测到的或者产生的事件,其他子系统可能都感兴趣,为了实现这种需求,Linux使用了通知链.通知链只在内核子系统之间使用. 通知链就是一 ...
最新文章
- ssl 接收到一个超出最大准许长度的记录_我所经历的一次Dubbo服务雪崩,这是一个漫长的故事...
- opencv sobel导数
- 强化学习(十三) 策略梯度(Policy Gradient)
- ios android 发东西,Android、IOS主动发事件给React Native
- OpenCV4.0+VS2017完整安装配置过程(详细!)
- 1分钟了解基于内容的推荐,pm又懂了
- 三句话讲清楚直接初始化与拷贝初始化
- docker 安装部署 Jenkins 2.322
- spring5源码-基于XML的依赖注入
- java使用tar算法压缩解压缩文件、数据流、byte[]字节数组
- python入门爬虫案例_[Python入门学习]-爬虫项目案例讲解
- Matlab二元函数图像绘制
- android 风吹的动画,最炫Material Design风过渡动画
- JS复制input内容
- mongoDB——readwrite操作
- 广州羚羊社科技跑付app健身中心开业,涉足健身领域,人头爆满全场热销
- 时间加减计算器_考前急救!2019年注册会计师计算器使用技巧,不会你就out了...
- Windows下Python安装教程与常见问题
- 基于AD9850的多功能信号发生器
- BaseAdapter notifyDataSetChanged()
热门文章
- NLP标注工具:【免费:doccano、标注精灵、brat、YEDDA、DeepDive、rasa-nlu-trainer】【收费:Prodigy】
- 笔记—R语言做相关气泡图
- java imageio 内存问题_java imageio内存泄漏
- android ios 微信 备份通讯录备份通讯录备份通讯录备份,微信通讯录备份在哪里?新版微信怎么备份通讯录?...
- 文本框的左视图不见了?
- 浅谈Oracle RAC --集群管理软件GI
- java 跳过法定节假日和双休
- 大学生企业计算机应用能力需求调研,五个专业计算机能力需求调研分析论文
- c语言坐标反算方位角函数,反三角函数/简易正反算or方位角转度分秒
- Linux下,为应用程序添加桌面图标(ubuntu18.4)