统计系列(一)统计基础
统计系列(一)统计基础
在开篇中曾推荐过大家学习《商务与经济统计 精要版 原书第7版》,不知道大家有没有这种感觉,学完了不一定理解了,理解了不一定能正确应用。笔者并非统计科班出身,对其理解也是一点一滴逐步加深的。
本文通过数据分析师的角度,来讲解下分析师所需要掌握的基础。统计从整体上分为描述统计和推断统计,描述统计主要通过图表、数值的方式帮助我们理解数据并发现规律;而统计推断则是通过样本特征推断总体特征,推断分为参数估计、假设检验和回归分析。其中样本来源于抽样,假设检验方法来源于抽样分布。
除了掌握统计基础外,还需要一定的概率基础。最主要的就是随机变量的概率分布和中心极限定理,这也是统计推断的理论基础。整体的知识点如下:
描述统计
描述统计是数据分析使用最多的,常用于探索性数据分析(EDA)。
图表描述
- 直方图:分为频数分布直方图和频率分布直方图,可以用来直观显示随机变量的分布
- 条形图:条形图分为柱状图和水平条形图,可以用来直观显示组间差异
- 饼图:直观的展示各组占总体比例,并显示组间差异,但不宜分组过多
- 茎叶图:也是显示原始数据分布,但在数分中使用较少
- 散点图:直观显示两者之间的相关趋势
- 折线图:直观显示数据的时间趋势
- 箱线图:常用来显示数据离群点
数值描述
集中趋势
- 平均值:算数平均 xˉ=∑xin\bar{x}=\frac{\sum x_{i}}{n}xˉ=n∑xi;加权平均 xˉ=∑wixi∑wi\bar{x}=\frac{\sum w_{i} x_{i}}{\sum w_{i}}xˉ=∑wi∑wixi;几何平均 xˉg=(x1)(x2)⋯(xn)n=[(x1)(x2)⋯(xn)]1/n\bar{x}_{g}=\sqrt[n]{\left(x_{1}\right)\left(x_{2}\right) \cdots\left(x_{n}\right)}=\left[\left(x_{1}\right)\left(x_{2}\right) \cdots\left(x_{n}\right)\right]^{1 / n}xˉg=n(x1)(x2)⋯(xn)=[(x1)(x2)⋯(xn)]1/n
- 总计算数平均 μ=ΣxiN\mu=\frac{\Sigma x_{i}}{N}μ=NΣxi
- 众数:随机变量出现次数最多的结果值
- 分位数:将数据从小到大排序,等分100份选取指定位置的数则为百分位数,等分四等分取指定位置的数则为四分位数
- 中位数:中位数是分位数的一种,将数据从小到大排取50%分位的数据
- 最大值:随机变量最大的结果值
- 最小值:随机变量最小的结果值
离散程度
- 极差:最大值-最小值
- 四分位距:四分位数中的上四分位数(Q3)-下四分位数(Q1)
- 方差:衡量数据波动的统计量,其中样本方差为:s2=∑(xi−xˉ)2n−1s^{2}=\frac{\sum\left(x_{i}-\bar{x}\right)^{2}}{n-1}s2=n−1∑(xi−xˉ)2,总体方差为:σ2=∑(xi−μ)2N\sigma^{2}=\frac{\sum\left(x_{i}-\mu\right)^{2}}{N}σ2=N∑(xi−μ)2
- 标准差:方差开根号的结果,其中样本标准差为:s=s2s=\sqrt{s^{2}}s=s2,总体标准差为:σ=σ2σ=\sqrt{σ^{2}}σ=σ2
- 变异系数:变异系数没有量纲,可用于比较不同单位的样本间的波动大小。计算方式为:cv=σμc_{v}=\frac{\sigma}{\mu}cv=μσ
分布形态
- 偏度:用来度量随机变量概率分布的不对称性。偏度大于0则右偏,日常中常根据尾巴方向进行判断,尾巴在右则右偏。右偏的数据常表现出
算术平均数>中位数>众数
,即大多数据堆积在左侧,而右侧存在极大值,因此使得众数靠左,均值靠右。 - 峰度:用来度量随机变量概率分布的陡峭程度。峰度越大,分布越陡峭,数据越集中,即表现为"瘦高"。
- z分数:衡量观测值与样本均值的距离,zi=xi−xˉsz_{i}=\frac{x_{i}-\bar{x}}{s}zi=sxi−xˉ表示观测值xix_ixi与样本均值xˉ\bar xxˉ有zzz倍标准差。
- 切比雪夫定理:对于任何分布,约1−1z21-\frac{1}{z^{2}}1−z21的数据与均值在zzz个标准差内
- 经验法则:对钟形分布,约 68%的数据与均值的距离在 1 个标准差内;在2,3个标准差内的数据分别约为95%,99%
- 异常值检测:偏离均值较远的离群点,统计上一般通过五数统计(箱线图)和3σ3 \sigma3σ原则进行判断
变量相关性
两个随机变量的线性关系,可以通过协方差 sxy=∑(xi−xˉ)(yi−yˉ)n−1s_{x y}=\frac{\sum\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right)}{n-1}sxy=n−1∑(xi−xˉ)(yi−yˉ) 或者 rxy=sxysxsyr_{x y}=\frac{s_{x y}}{s_{x} s_{y}}rxy=sxsysxy 相关系数进行度量。日常以相关系数rrr使用较多,rrr绝对值越大,相关性越强,正号表示正相关,负号表示负相关。
统计推断
实际生活中,总体数据是无法全部获得的,常常需要根据样本数据去推断,因此统计推断的前提就是科学地进行抽样获取样本。样本数据可以估计总体的特征统计量,也可以用来验证假设,还可以通过回归进行预测。这些推断的基础都是基于中心极限定理和随机变量的概率分布。
抽样
抽样方法
常见的抽样方法有简单随机抽样、系统随机抽样、分层抽样和整群抽样,最常用的是简单随机抽样。
抽样分布
- 一次抽样产生一个样本统计量,多次抽样就会产生多个样本统计量,这些统计量的分布就是抽样分布,常作为假设检验的方法。常见的抽样分布有正态分布、t分布、卡方分布、F分布等。例如:
- 正态分布:总体方差已知,单个总体的样本均值服从正态分布。即Xˉ−μσ/n∼N(0,1)\frac{\bar X-\mu}{\sigma / \sqrt{n}} \sim N(0,1)σ/nXˉ−μ∼N(0,1)
- t分布:总体方差未知,单个总体的样本均值服从t分布。即Xˉ−μS/n∼t(n−1)\frac{\bar X-\mu}{S / \sqrt{n}} \sim t(n-1)S/nXˉ−μ∼t(n−1)
- 卡方分布:总体均值未知,单个总体的样本方差服从卡方分布。即(n−1)S2σ2∼χ2(n−1)\frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)σ2(n−1)S2∼χ2(n−1)
- F分布:总体均值未知,两个总体的方差比服从F分布。即S12/S22σ12/σ22∼F(n1−1,n2−1)\frac{S_{1}^{2}/{S_{2}}^{2}}{\sigma_{1}^{2}/{\sigma_{2}}^{2}} \sim F(n_1-1,n_2-1)σ12/σ22S12/S22∼F(n1−1,n2−1)
- 当然抽样会造成一定的偏差,即抽样误差,可以通过计算所有样本统计量的标准差得到。即se=∑xˉnse=\frac{\sum{\bar x}}{n}se=n∑xˉ
参数估计
然而实际上,不会进行多次的抽样操作,往往只会一次抽样,因此就需要根据一次抽样的样本数据估计总体。
点估计
样本均值点估计:由于E(xˉ)=μE(\bar{x})=\muE(xˉ)=μ,所以可以直接用样本均值估计总体均值
抽样标准误(样本均值标准差):se=σnse = \frac{\sigma}{\sqrt{n}}se=nσ,总体标准差未知情况下可以用样本方差代替
样本均值的抽样分布:由中心极限定理,当样本量较大(统计上大于30),样本均值的抽样分布近似于正态分布
区间估计:xˉ±边际误差\bar x \pm 边际误差xˉ±边际误差
当总体方差已知时:xˉ±zα/2σn\bar{x} \pm z_{\alpha / 2} \frac{\sigma}{\sqrt{n}}xˉ±zα/2nσ;当总体方差未知时:xˉ±tα/2sn\bar{x} \pm t_{\alpha / 2} \frac{s}{\sqrt{n}}xˉ±tα/2ns,其中s=∑(xi−xˉ)2n−1s=\sqrt{\frac{\sum(x_i-\bar{x})^{2}}{n-1}}s=n−1∑(xi−xˉ)2
确定样本容量:当指定了边际误差为E时,则有E=zα/2σnE=z_{\alpha / 2} \frac{\sigma}{\sqrt{n}}E=zα/2nσ,可得到n=(zα/2)2σ2E2n=\frac{\left(z_{\alpha / 2}\right)^{2} \sigma^{2}}{E^{2}}n=E2(zα/2)2σ2
总体比率与样本均值存在差异
点估计
样本比例点估计:由于E(pˉ)=pE(\bar{p})=pE(pˉ)=p,所以可以直接用样本比例估计总体比例
抽样标准误:se=p(1−p)nse = \sqrt{\frac{p(1-p)}{n}}se=np(1−p)
区间估计:pˉ±边际误差\bar p \pm 边际误差pˉ±边际误差
区间:pˉ±zα/2pˉ(1−pˉ)n\bar{p} \pm z_{\alpha / 2} \sqrt{\frac{\bar{p}(1-\bar{p})}{n}}pˉ±zα/2npˉ(1−pˉ)
确定样本容量:当指定了边际误差为E时,n=(zα/2)2p∗(1−p∗)E2n=\frac{\left(z_{\alpha / 2}\right)^{2} p^{*}\left(1-p^{*}\right)}{E^{2}}n=E2(zα/2)2p∗(1−p∗)
假设检验
假设
一般将自己想要证明的假设作为备择假设,与之互斥的作为原假设
第一类错误为拒真,第二类错误为存伪
日常需要控制第一类错误的概率α\alphaα为5%,常称为显著性水平。第二类错误的概率β\betaβ为20%,而统计功效为1−β1-\beta1−β
检验
一般需要根据假设角度确定是单尾还是双尾检验,通过样本的比较情况确定是单样本、独立双样本、配对双样本还是多样本检验,最后根据数据特征选择检验统计量,采取t检验、z检验、方差分析还是卡方分析。
对于总体均值而言:
假设角度(假设单样本检验μ0\mu_0μ0)
左尾检验:H0:μ≥μ0,Ha:μ<μ0\mathrm{H_0}: \mu \geq \mu_{0}, \quad \mathrm{H_a}: \mu<\mu_{0}H0:μ≥μ0,Ha:μ<μ0
右尾检验:H0:μ≤μ0,Ha:μ>μ0\mathrm{H_0}: \mu \leq \mu_{0}, \quad \mathrm{H_a}: \mu>\mu_{0}H0:μ≤μ0,Ha:μ>μ0
双尾检验:H0:μ=μ0,Ha:μ≠μ0\mathrm{H_0}: \mu = \mu_{0}, \quad \mathrm{H_a}: \mu \neq \mu_{0}H0:μ=μ0,Ha:μ=μ0
样本比较角度
单样本检验:μ\muμ与μ0\mu_0μ0
独立双样本检验:μ1\mu_1μ1与μ2\mu_2μ2
配对样本检验:ddd : t=dˉ−μdsdnt=\frac{\bar{d}-\mu_{d}}{\frac{s_{d}}{\sqrt{n}}}t=nsddˉ−μd,其中μd\mu_dμd为配对样本的均值,ddd为配对样本数据
多样本检验:μ1\mu_1μ1与μ2\mu_2μ2与μ3\mu_3μ3等 :F=MSTRMSEF=\frac{M S T R}{M S E}F=MSEMSTR
数据特征
总体标准差已知的单样本检验:z检验 z=xˉ−μ0σ/nz=\frac{\bar{x}-\mu_{0}}{\sigma / \sqrt{n}}z=σ/nxˉ−μ0
总体标准差未知的单样本检验:t检验 t=xˉ−μ0σ/nt=\frac{\bar{x}-\mu_{0}}{\sigma / \sqrt{n}}t=σ/nxˉ−μ0
总体标准差已知的独立双样本检验:z检验 z=(xˉ1−xˉ2)−D0σ12n1+σ22n2z=\frac{\left(\bar{x}_{1}-\bar{x}_{2}\right)-D_{0}}{\sqrt{\frac{\sigma_{1}^{2}}{n_{1}}+\frac{\sigma_{2}^{2}}{n_{2}}}}z=n1σ12+n2σ22(xˉ1−xˉ2)−D0 ,其中D0D_0D0为常数值,日常一般设为0
总体标准差未知的独立双样本检验:t检验 t=(xˉ1−xˉ2)−D0s12n1+s22n2t=\frac{\left(\bar{x}_{1}-\bar{x}_{2}\right)-D_{0}}{\sqrt{\frac{s_{1}^{2}}{n_{1}}+\frac{s_{2}^{2}}{n_{2}}}}t=n1s12+n2s22(xˉ1−xˉ2)−D0
总体比率与总体均值存在差异
假设角度(假设单样本检验p0p_0p0)
左尾检验:H0:p≥p0,Ha:p<p0\mathrm{H_0}: p \geq p_{0}, \quad \mathrm{H_a}: p < p_{0}H0:p≥p0,Ha:p<p0
右尾检验:H0:p≤p0,Ha:p>p0\mathrm{H_0}: p \leq p_{0}, \quad \mathrm{H_a}: p>p_{0}H0:p≤p0,Ha:p>p0
双尾检验:H0:p=p0,Ha:p≠p0\mathrm{H_0}: p = p_{0}, \quad \mathrm{H_a}: p \neq p_{0}H0:p=p0,Ha:p=p0
样本比较角度
单样本检验:ppp与p0p_0p0:z=pˉ−p0p0(1−p0)nz=\frac{\bar{p}-p_{0}}{\sqrt{\frac{p_{0}\left(1-p_{0}\right)}{n}}}z=np0(1−p0)pˉ−p0
独立双样本检验:p1p_1p1与p2p_2p2 :z=(pˉ1−pˉ2)pˉ(1−pˉ)(1n1+1n2)z=\frac{\left(\bar{p}_{1}-\bar{p}_{2}\right)}{\sqrt{\bar{p}(1-\bar{p})\left(\frac{1}{n_{1}}+\frac{1}{n_{2}}\right)}}z=pˉ(1−pˉ)(n11+n21)(pˉ1−pˉ2)
多样本检验:p1p_1p1与p2p_2p2与p3p_3p3等 :χ2=∑i=1k(fi−ei)2ei\chi^{2}=\sum_{i=1}^{k} \frac{\left(f_{i}-e_{i}\right)^{2}}{e_{i}}χ2=∑i=1kei(fi−ei)2
决策
常用的决策方式有p值法、检验统计量与临界值比较法、置信区间法。日常使用的就是p值法和置信区间法。
回归分析
一元回归
一元回归是回归的基础,在满足基本假设的前提下用最小二乘法估计参数。判决系数R2R^2R2衡量拟合效果,显著性检验衡量自变量是否影响因变量,当自变量通过显著性检验后,得到一元回归方程就可以进行预测了。通过残差分析辅助验证回归方程的可靠性。
多元回归
多元回归是一元回归的扩展,多元回归的基本假设有所增加
概率基础
随机试验
一次随机试验产生一次基本事件,由于该事件的结果是随机的,又称为随机事件,所有随机事件的组合即为样本空间。
随机变量
将随机事件映射到数字空间,则称为随机变量。在多次试验后,每个X的频率趋于稳定,则将频率记作概率。
概率分布
离散型
伯努利分布:
概率函数:P(X=x)=px(1−p)1−x,x∈{0,1}P(X=x)=p^{x}(1-p)^{1-x}, x \in\{0,1\}P(X=x)=px(1−p)1−x,x∈{0,1}
数学期望:E(X)=pE(X)=pE(X)=p
方差:D(X)=p(1−p)D(X)=p(1-p)D(X)=p(1−p)
二项分布:X∼B(n,p)X \sim B(n, p)X∼B(n,p)
概率函数:P(X=k)=Cnkpk(1−p)n−kP(X=k)=C_{n}^{k}p^{k}(1-p)^{n-k}P(X=k)=Cnkpk(1−p)n−k
数学期望:E(X)=npE(X)=npE(X)=np
方差:D(X)=np(1−p)D(X)=np(1-p)D(X)=np(1−p)
几何分布:X∼GE(p)X \sim GE(p)X∼GE(p)
概率函数:P(X=k)=(1−p)k−1pP(X=k)=(1-p)^{k-1}pP(X=k)=(1−p)k−1p
数学期望:E(X)=1pE(X)=\frac{1}{p}E(X)=p1
方差:D(X)=1−pp2D(X)=\frac{1-p}{p^2}D(X)=p21−p
泊松分布:X∼P(λ)X \sim P(\lambda)X∼P(λ)
概率函数:P(X=k)=λkk!e−λP(X=k)=\frac{\lambda^k}{k!}e^{-\lambda}P(X=k)=k!λke−λ
数学期望:E(X)=λE(X)=\lambdaE(X)=λ
方差:D(X)=λD(X)=\lambdaD(X)=λ
多项分布:X∼PN(N:p1.p2,…,pn)X \sim PN(N:p1.p2,…,pn)X∼PN(N:p1.p2,…,pn)
概率函数:P(X1=x1,X2=x2,...,Xk=xk)=n!x1!x2!...xk!p1x1p2x2...pkxkP(X_1=x_1, X_2=x_2,..., X_k=x_k)=\frac{n!}{x_1!x_2!...x_k!}p_{1}^{x_1}p_{2}^{x_2}...p_{k}^{x_k}P(X1=x1,X2=x2,...,Xk=xk)=x1!x2!...xk!n!p1x1p2x2...pkxk
数学期望:E(Xi)=npiE(X_i)=np_iE(Xi)=npi
方差:D(Xi)=npi(1−pi)D(X_i)=np_i(1-p_i)D(Xi)=npi(1−pi)
连续型
均匀分布:X∼U(a,b)X \sim U(a, b)X∼U(a,b)
概率函数:f(x)={0,x<a或 x>b1b−a,a≤x≤bf(x)=\left\{\begin{array}{l}0, x<a \text { 或 } x>b \\ \frac{1}{b-a}, a \leq x \leq b\end{array}\right.f(x)={0,x<a 或 x>bb−a1,a≤x≤b
数学期望:E(X)=a+b2E(X)=\frac{a+b}{2}E(X)=2a+b
方差:D(X)=(b−a)212D(X)=\frac{(b-a)^2}{12}D(X)=12(b−a)2
指数分布:X∼E(λ)X \sim E(\lambda)X∼E(λ)
概率函数:f(x)=λe−λx,x≥0f(x)=\lambda e^{-\lambda x},x \geq 0f(x)=λe−λx,x≥0
数学期望:E(x)=1λE(x)=\frac{1}{\lambda}E(x)=λ1
方差:D(x)=1λ2D(x)=\frac{1}{\lambda^2}D(x)=λ21
伽马分布:X∼Ga(α,λ)X \sim Ga(\alpha,\lambda)X∼Ga(α,λ)
概率函数:f(x)=λαΓ(α)xα−1e−λx,x≥0f(x)=\frac{\lambda^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\lambda x},x \geq 0f(x)=Γ(α)λαxα−1e−λx,x≥0,其中α>0\alpha>0α>0为形状参数,λ>0\lambda>0λ>0为尺度参数
数学期望:E(X)=αλE(X)=\frac{\alpha}{\lambda}E(X)=λα
方差:D(X)=αλ2D(X)=\frac{\alpha}{\lambda^2}D(X)=λ2α
高斯分布/正态分布:X∼N(μ,σ2)X \sim N(\mu,\sigma^2)X∼N(μ,σ2)
概率函数:f(x)=1σ2πe−(x−μ)2/2σ2f(x)=\frac{1}{\sigma \sqrt{2 \pi}} \mathrm{e}^{-(x-\mu)^{2} / 2 \sigma^{2}}f(x)=σ2π1e−(x−μ)2/2σ2
数学期望:E(X)=μE(X)=\muE(X)=μ
方差:D(X)=σ2D(X)=\sigma^2D(X)=σ2
例如正常抛硬币试验,抛硬币的所有结果只能为正反。即样本空间为{ 正面,反面 };如果抛一次硬币(一次随机试验),其结果为正面(随机事件),将该结果记为1。再抛一次硬币,其结果为反面,将该结果记为2。因此该抛硬币的结果设为随机变量X,X的结果可能为1或者2,多次试验后,X的分布服从二项分布,所以X=1的概率为0.5。
中心极限定理
给定一个任意分布的总体,每次从这些总体中随机抽取 n 个样本(统计上大于30),重复 m 次,分别求出这m次的样本平均值。 这些样本平均值的分布近似正态分布。
中心极限定理可用于估算抽样标准误:se=σnse = \frac{\sigma}{\sqrt{n}}se=nσ
总结
在日常分析工作中,描述统计常用于探索性数据分析(EDA),概率分布常用于模拟数据,假设检验常用于AB试验。
共勉~
统计系列(一)统计基础相关推荐
- UA MATH566 统计理论 Bayes统计基础
UA MATH566 统计理论 Bayes统计基础 共轭分布 基于后验概率预测新的观测值 Bayes统计思想的基础是Bayes公式 P(Ci∣A)=P(A,Ci)P(A)=P(A∣Ci)P(Ci)∑i ...
- 统计系列(二)常见的概率分布
统计系列(二)常见的概率分布 离散概率分布 伯努利分布 背景:抛一次硬币,正面朝上的概率 定义:一次试验中,只有两种结果,成功(X=1)概率为p,失败(X=0)概率为1-p.定义为伯努利试验. 数学描 ...
- 统计系列(四)利用Python进行假设检验
统计系列(四)利用Python进行假设检验 z检验 主要应用场景:在大样本量的总体比例检验 核心:两样本的总体比例差异 单样本比例检验 # 检验样本合格率与0.38是否有差异 import numpy ...
- 统计系列(三)利用Python进行参数估计
统计系列(三)利用Python进行参数估计 点估计 样本均值估计为总体均值,样本比例估计为总体比例. import numpy as npx = [1, 1, 0, 1, 0, 0, 1, 0, 1, ...
- 世界各国犯罪率统计系列:各国暴力犯罪性犯罪(2003-2021)
世界各国犯罪率统计系列:各国暴力犯罪性犯罪(2003-2021) 数据来源:联合国毒品和犯罪问题办公室 数据年份:2003-2021 相关说明: 关于暴力和性犯罪的表格包括有关警察或其他执法机构记录的 ...
- Flutter 多渠道打包详解(埋点统计系列文章)
我是 Zero,废话不多说,脑图奉上 脑图梳理 只要你关注 Flutter,这篇文章你绝对用得着 ==> 强烈建议➕收藏 多渠道打包介绍 多渠道打包的主要作用是满足产品的运营需求,统计渠道和活动 ...
- [转载] 机器学习数据集统计系列(二)
金融 美国劳工部统计局官方发布数据 房地产公司 Zillow 公开美国房地产历史数据 沪深股票除权除息.配股增发全量数据,截止 2016.12.31 上证主板日线数据,截止 2017.05.05,原始 ...
- 如何把密度函数化为标准正态二维分布_浅谈IVD统计系列--资料类型及正态分布...
统计分析中对资料类型的识别非常重要,决定了统计分析方法的选择,因为不同类型的资料要用不同的统计方法去分析.资料类型分为计量资料.计数资料和等级资料. 1 计量资料的每个研究对象的变量值为一个数值,表现 ...
- 地统计插值学习心得(三)ArcGIS Pro与ArcMap软件中地统计分析的区别
前言 ArcMap中地统计分析由来已久,很多GIS专业的同学学习地统计内容都是在ArcMap软件中实现的,随着IT技术的发展,ArcGIS系列软件架构也发生了重大变化,传统的ArcMap软件已不太能够 ...
最新文章
- 【Unity】使用Resources类管理资源
- 安卓开源项目周报0411
- Java 读写锁实现原理
- SQLiteOpenHelper使用详解
- 对于计算机网络的整体框架的概括(转载)
- 前端学习(707):循环小结
- 世界地球日:全国网友用手机种出“保护黄河幸福林”
- 自定义Flutter控件
- 只需短短几步就能重排PDF文档的页面
- 基于Transformers+CNN/LSTM/GRU的文本分类
- 计算机的字体要怎么删除,计算机安装删除字体
- 六自由度机械臂研究(2)- 机械臂坐标系建立
- EOS价格震荡起伏,EOS生态数据不断上行
- 【算法leetcode每日一练】1436. 旅行终点站
- CDR X7(CorelDRAW)注册下载详细安装教程,序列号功能齐全
- 论Python常见的内置模块
- 斯卡布罗市集 (口哨/宁林 人声/宁林) - 韩乘光
- 尚硅谷-离线数仓-笔记
- hasText()和isEmpty()区别
- 经典功率谱估计(直接法、间接法、直接法的改进(包括Bartlett法、Welch法))