首页下载资源行业研究1685670459856数据和代码.zip

ZIP1685670459856数据和代码.zip

2401_87462457244.83KB需要积分:1

资源文件列表:

1685670459856数据和代码.zip 大约有17个文件
  1. init.py 1.33KB
  2. mvsCase.xlsx 104.68KB
  3. mvsData.xlsx 65.68KB
  4. mvsExer.xlsx 64.71KB
  5. mvsFunc.py 6.71KB
  6. 第01章 概述.ipynb 4.59KB
  7. 第02章-数据处理.ipynb 29.09KB
  8. 第03章-数据可视化.ipynb 7.41KB
  9. 第04章-聚类分析.ipynb 13.35KB
  10. 第05章-综合评价.ipynb 9.14KB
  11. 第06章-主成分分析.ipynb 10.89KB
  12. 第07章-因子分析.ipynb 13.88KB
  13. 第08章-对应分析.ipynb 6.47KB
  14. 第09章 相关与回归.ipynb 11.14KB
  15. 第10章-典型相关.ipynb 8.58KB
  16. 第11章-线性模型.ipynb 8.74KB
  17. 第12章-判别分析.ipynb 15.04KB

资源介绍:

1685670459856数据和代码.zip
#基本设置 import numpy as np #加载数组运算包 np.set_printoptions(precision=4) #设置numpy输出精度 import pandas as pd #加载数据分析包 pd.set_option('display.precision',4) #设置pandas输出精度 import matplotlib.pyplot as plt #加载基本绘图包 plt.rcParams['font.sans-serif']=['SimHei']; #设置中文字体为黑体 plt.rcParams['axes.unicode_minus']=False; #正常显示图中正负号 # 2.1.3 #自定义均值计算函数 def xbar(x): n=len(x) xm=sum(x)/n return(xm) # 2.5.1 #定量频数表与直方图函数 def freq(X,bins=10): H=plt.hist(X,bins); a=H[1][:-1]; b=H[1][1:]; f=H[0]; p=f/sum(f)*100;p cp=np.cumsum(p);cp Freq=pd.DataFrame([a,b,f,p,cp]) Freq.index=['[下限','上限)','频数','频率(%)','累计频数(%)'] return(round(Freq.T,2)) # 5.3.1 #规格化计算函数 def bz(x): z=(x-x.min())/(x.max()-x.min())*60+40 return(z) # 5.3.2 #判断矩阵A的AHP权重计算 def AHP(A): print('判断矩阵:\n',A) m=np.shape(A)[0]; D=np.linalg.eig(A); #特征值 E=np.real(D[0][0]); #特征向量 ai=np.real(D[1][:,0]); #最大特征值 W=ai/sum(ai) #权重归一化 if(m>2): print('L_max=',E.round(4)) CI=(E-m)/(m-1) #计算一致性比例 RI=[0,0,0.52,0.89,1.12,1.25,1.35,1.42,1.46,1.49,1.52,1.54,1.56,1.58,1.59] CR=CI/RI[m-1] print('一致性指标 CI:',CI) print('一致性比例 CR:',CR) if CR<0.1: print('CR<=0.1，一致性可以接受!') else: print('CR>0.1，一致性不可接受!') print('权重向量:') return(W) # 6.3.1 #主成分评价函数 def PCscores(X,m=2): from sklearn.decomposition import PCA Z=(X-X.mean())/X.std() #数据标准化 p=Z.shape[1] pca = PCA(n_components=p).fit(Z) Vi=pca.explained_variance_;Vi Wi=pca.explained_variance_ratio_;Wi Vars=pd.DataFrame({'Variances':Vi});Vars #,index=X.columns Vars.index=['Comp%d' %(i+1) for i in range(p)] Vars['Explained']=Wi*100;Vars Vars['Cumulative']=np.cumsum(Wi)*100; print("\n方差贡献:\n",round(Vars,4)) Compi=['Comp%d' %(i+1) for i in range(m)] loadings=pd.DataFrame(pca.components_[:m].T,columns=Compi,index=X.columns); print("\n主成分负荷:\n",round(loadings,4)) scores=pd.DataFrame(pca.fit_transform(Z)).iloc[:,:m]; scores.index=X.index; scores.columns=Compi;scores scores['Comp']=scores.dot(Wi[:m]);scores scores['Rank']=scores.Comp.rank(ascending=False).astype(int); return scores #print('\n综合得分与排名:\n',round(scores,4)) # 6.3.2 #自定义得分图绘制函数 def Scoreplot(Scores): plt.plot(Scores.iloc[:,0],Scores.iloc[:,1],'*'); plt.xlabel(Scores.columns[0]);plt.ylabel(Scores.columns[1]) plt.axhline(y=0,ls=':');plt.axvline(x=0,ls=':') for i in range(len(Scores)): plt.text(Scores.iloc[i,0],Scores.iloc[i,1],Scores.index[i]) # 7.2.1 #定义因子名称 def Factors(fa): return ['F'+str(i) for i in range(1,fa.n_factors+1)] # 7.4.2 #双向因子信息重叠图 def Biplot(Load,Score): plt.plot(Scores.iloc[:,0],Scores.iloc[:,1],'*'); plt.xlabel(Scores.columns[0]);plt.ylabel(Scores.columns[1]) plt.axhline(y=0,ls=':');plt.axvline(x=0,ls=':') for i in range(len(Scores)): plt.text(Scores.iloc[i,0],Scores.iloc[i,1],Scores.index[i]) # 7.4.3 #计算综合因子得分与排名 def FArank(Vars,Scores): Vi=Vars.values[0] Wi=Vi/sum(Vi);Wi Fi=Scores.dot(Wi) Ri=Fi.rank(ascending=False).astype(int); return(pd.DataFrame({'因子得分':Fi,'因子排名':Ri})) # 7.5.2 #因子分析综合评价函数 def FAscores(X,m=2,rot='varimax'): import factor_analyzer as fa kmo=fa.calculate_kmo(X) chisq=fa.calculate_bartlett_sphericity(X) #进行bartlett检验 print('KMO检验: KMO值=%6.4f卡方值=%8.4f, p值=%5.4f'% (kmo[1],chisq[0],chisq[1])) from factor_analyzer import FactorAnalyzer as FA Fp=FA(n_factors=m,method='principal',rotation=rot).fit(X.values) vars=Fp.get_factor_variance() Factor=['F%d' %(i+1) for i in range(m)] Vars=pd.DataFrame(vars,['方差','贡献率','累计贡献率'],Factor) print("\n方差贡献:\n",Vars) Load=pd.DataFrame(Fp.loadings_,X.columns,Factor) Load['共同度']=1-Fp.get_uniquenesses() print("\n因子载荷:\n",Load) Scores=pd.DataFrame(Fp.transform(X.values),X.index,Factor) print("\n因子得分:\n",Scores) Vi=vars[0] Wi=Vi/sum(Vi);Wi Fi=Scores.dot(Wi) Ri=Fi.rank(ascending=False).astype(int); print("\n综合排名:\n") return pd.DataFrame({'综合得分':Fi,'综合排名':Ri}) # 9.2.1 #离均差乘积和函数 def lxy(x,y): return sum(x*y)-sum(x)*sum(y)/len(x) # 9.3.1 #相关系数矩阵检验 import scipy.stats as st #加载统计包 def mcor_test(X): #相关系数矩阵检验 p=X.shape[1];p sp=np.ones([p, p]).astype(str) for i in range(0,p): for j in range(i,p): P=st.pearsonr(X.iloc[:,i],X.iloc[:,j])[1] if P>0.05: sp[i,j]=' ' if(P>0.01 or P<=0.05): sp[i,j]='*' if(P>0.001 or P<=0.01): sp[i,j]='**' if(P<=0.001): sp[i,j]='***' r=st.pearsonr(X.iloc[:,i],X.iloc[:,j])[0] sp[j,i]=round(r,4) if(i==j):sp[i,j]='------' print(pd.DataFrame(sp,index=X.columns,columns=X.columns)) print("\n下三角为相关系数，上三角为检验p值 * p<0.05 ** p<0.05 *** p<0.001") # 10.3.4 #典型相关检验函数 def CR_test(n,p,q,r): m=len(r); import numpy as np Q=np.zeros(m); P=np.zeros(m) L=1 #lambda=1 from math import log for k in range(m-1,-1,-1): L=L*(1-r[k]**2) Q[k]=-log(L) from scipy import stats for k in range(0,m): Q[k]=(n-k-1/2*(p+q+3))*Q[k] #检验的卡方值 P[k]=1-stats.chi2.cdf(Q[k],(p-k)*(q-k)) #P值 CR=DF({'CR':r,'Q':Q,'P':P}) return CR # 10.4.1 #典型相关分析函数 def cancor(X,Y,pq=None,plot=False): #pq指定典型变量个数 import numpy as np n,p=np.shape(X); n,q=np.shape(Y) if pq==None: pq=min(p,q) cca=CCA(n_components=pq).fit(X,Y); u_scores,v_scores=cca.transform(X,Y) r=DF(u_scores).corrwith(DF(v_scores)); CR=CR_test(n,p,q,r) print('典型相关系数检验：\n',CR) print('\n典型相关变量系数：\n') u_coef=DF(cca.x_rotations_.T,['u%d'%(i+1) for i in range(pq)],X.columns) v_coef=DF(cca.y_rotations_.T,['v%d'%(i+1) for i in range(pq)],Y.columns) if plot: #显示第一对典型变量的关系图 import matplotlib.pyplot as plt plt.plot(u_scores[:,0],v_scores[:,0],'o') return u_coef,v_coef # 12.2.2 #符合率计算函数 def Rate(tab): rate=sum(np.diag(tab)[:-1]/np.diag(tab)[-1:])*100 print('符合率: %.2f'%rate) Rate(tab1)
100+评论
captcha

    相关资源

    1. wbw-pop-up-window

      wbw121124#前端ZIP10.48KB5月前
      资源摘要:一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本一个弹窗脚本

    2. idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本

      python_use#移动开发ZIP516B5月前
      资源摘要:idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm试用脚本idm

    3. HC-SR04超声波测距模块配套资料.zip

      weixin_73821762#行业研究ZIP9.42MB5月前
      资源摘要:HC-SR04超声波测距模块配套资料.zip

    4. 7.CTF竞赛资料(6).zip

      2401_87112919#行业研究ZIP55.97MB5月前
      资源摘要:7.CTF竞赛资料(6).zip

    5. 西门子1200plc轴运动控制程序，此程序是之前给海康威视做的一台装路由器壳子的机器，程序包括有调用轴控制块做的控制3个伺服，1

      jJRwKTBkrL#行业研究ZIP4.41MB5月前
      资源摘要:西门子1200plc轴运动控制程序，此程序是之前给海康威视做的一台装路由器壳子的机器，程序包括有调用轴控制块做的控制3个伺服，1个电缸，还有用PUT GET块与上下游plc通讯，轴控制块和气缸报警块都是自己写的，已经在很多个项目上成熟应用，可以直接调用，对于做西门子1200轴控制等有很好的学习借鉴意义，程序为实际项目

    6. 三菱Q系列PLC ,QD77MS16走总线控制伺服项目，实际应用的程序结构清晰明了，通俗易懂，8个伺服，PLC程序有完整的注释

      jJRwKTBkrL#行业研究ZIP1.46MB5月前
      资源摘要:三菱Q系列PLC ,QD77MS16走总线控制伺服项目，实际应用的程序结构清晰明了，通俗易懂，8个伺服，PLC程序有完整的注释，有伺服设定参数，三菱触摸屏程序，电气BOM ，电气I O表，完整的电气图纸，EPLAN画的.适合你直接应用到新的项目。

    7. 电力系统分析设计仿真基于遗传算法的最优潮流 图为以IEEE30节点的输电网为研究对象 以系统发电成本最小为目标函数 以机组出

      jJRwKTBkrL#行业研究ZIP58.05KB5月前
      资源摘要:电力系统分析设计仿真基于遗传算法的最优潮流 图为以IEEE30节点的输电网为研究对象 以系统发电成本最小为目标函数 以机组出力为优化变量通过优化求解得到最佳机组出力

    8. MATLAB代码：储能参与调峰调频联合优化模型关键词：储能 调频 调峰 充放电优化 联合运行 仿真平台：MATLAB+CV

      jJRwKTBkrL#行业研究ZIP218.79KB5月前
      资源摘要:MATLAB代码：储能参与调峰调频联合优化模型关键词：储能 调频 调峰 充放电优化 联合运行 仿真平台：MATLAB+CVX 平台主要内容：代码主要做的是考虑储能同时参与调峰以及调频的联合调度模型，现有代码往往仅关注储能在调峰方面的能力，而实际上同时参与调峰调频将超线性的提高储能的收益，在建模方面，构建了考虑电池退化成本、充放电功率约束以及用户负荷不确定性的储能优化模型，整体复现结果和文档一致，该代码具有一定的创新性，适合新手学习以及在此基础上进行拓展，代码质量非常高，出图效果非常好 可以直接拿来用这段代码主要是一个电力系统的优化问题，涉及到电池储能、电力价格、信号处理和电力账单计算等方面的知识。下面我会逐步解释代码的功能和应用。首先，代码开头使用了一些命令来清除命令窗口、关闭所有图形窗口，并设置一个变量`fig_flag`为1，表示显示图形。接下来，定义了一个电池的参数。`battery.n`表示电池的充放电循环次数，`battery.cell`表示电池的价格（每瓦时的价格），`battery.power`表示电池的功率（单位为兆瓦），`battery.energy
    站长QQ:九六九五七三七