最新Matlab分析函数、多项式、非线性函数

---

1 数据分析函数库

---

1.1 基本的数据分析

基本的数据处理功能按列进行:

标准差是指列中_N_ 个元素与该列平均值之差的平方和开方。

%例1.1

data=[49 99 100 63 63 55 56 89 96 60]';

a=max(data)

b=min(data)

m=mean(data)

s=sum(data)

c=std(data)

1.2 用于随机数据分析的函数

rand(m,n) :  产生在0 ~ 1之间 均匀分布 的 m 行、 n 列随机数矩阵。

randn(m,n) : 产生 正态分布 的 m 行、 n 列随机 数矩阵，均值为0，标准差为1。

%例1.2

y= 5*(randn(1,10)-.5)

plot(y)

1.3 用于相关分析的函数

corrcoef(x,y): 计算两个向量 x , y 的相关系数

cov(x,y): 计算 x , y 的协方差矩阵

%例1.3

x= rand(1,10)

y= rand(1,10)

corrcoef(x,y)

%结果

x =

0.7060 0.0318 0.2769 0.0462 0.0971 0.8235 0.6948 0.3171 0.9502 0.0344

y =

0.4387 0.3816 0.7655 0.7952 0.1869 0.4898 0.4456 0.6463 0.7094 0.7547

ans =

1.0000 -0.0403

-0.0403 1.0000

2 多项式函数库

---

2.1 多项式的四则运算

**（1）**多项式的表示

用各幂次前的系数向量表示，从高到低。

a=[a(1), a(2),…,a( n ), a( n +1)]

注意 ：零系数不能省去。

a=[1, 2, 0, 1]

b=[1, 2, 1]

（2） 多项式的运算

♥ 多项式相加： a+b

注意： 长度必须相同，短的在 前面 以“0”补齐。

♥ 多项式相乘： conv(a,b)

♥ 多项式相除： [q,r]=deconv(a,b)

q ：商式

r ：余子式

注意 ： a 是分子， b 是分母，分母系数向量的第一位不能为零。

%例2.1

a=[2, 4, 6, 8]

b=[3, 6, 9]

c=a+[0, b]

d=conv(a,b) [q,r]=deconv(d,a) [q,r]=deconv(a,b)

%结果

c =

2 7 12 17

d =

6 24 60 96 102 72

q =

3 6 9

r =

0 0 0 0 0 0

q =

0.6667 0

r =

0 0 0 8

2.2 多项式求导、求根和求值

♥ 多项式求导： polyder(a)

♥ 多项式求根： roots(a)

♥ 由根求多项式系数： poly(a)

♥ 多项式求值： polyval(a,xv)

给多项式a 中的自变量 x 赋予值 xv 。

例2.2

%例2.2

a=[2, 4, 6, 8]

a1=polyder(a)

a2=roots(a)

a3=poly(a2)

a4=polyval(a,1)

%结果

a =

2 4 6 8

a1 =

6 8 6

a2 =

-1.6506 + 0.0000i

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！