p122 20

#include<stdio.h>  
void trans(int n,int base)  
{  
 int a[10],i=0,k;  
 if(base==2)  
 {  
   while (n != 0)  
 {    
   a[i]= n%2;  
      n/=2;  
     i++;  
 }  
    k=i;  
 for(i=k-1;i>=0;i--)  
   printf("%d",a[i]);  
 }  
    if(base==8)  
 {  
   while (n != 0)  
 {    
   a[i]= n%8;  
    n/=8;  
   i++;  
 }  
  k=i;  
  for(i=k-1;i>=0;i--)  
    printf("%d",a[i]);  
 }  
  if(base==16)  
 {  
   while (n != 0)  
 {    
    a[i]= n%16;  
    n/=16;  
   i++;  
 }  
    k=i;  
 for(i=k-1;i>=0;i--)   
 {  
  if(a[i]>=0&&a[i]<=9)  
      printf("%d",a[i]);  
 if(a[i]>=10&&a[i]<=15)  
  {  
  switch(a[i])  
  {  
  case 10: printf("A");break;  
  case 11: printf("B");break;  
  case 12: printf("C");break;  
  case 13: printf("D");break;  
  case 14: printf("E");break;  
  case 15: printf("F");break;  
  }  
  }  
 }  
 }  
}  
void main()  
{  
 int i,k;  
 while(1)  
 {  
 printf("请输入一个数字:");  
 scanf("%d", &i);  
 printf("需要进制数(2 8 16)");  
 scanf("%d",&k);  
 printf("转化为%d进制为:",k);  
 trans(i,k);  
 printf("\n");  
 }  
}  
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
确定ARIMA模型的p、d、q可以使用多种方法。其中一种常用的方法是使用自相关函数(ACF)和偏自相关函数(PACF)来确定p和q的值,使用时间序列的差分阶数来确定d的值。 以下是一个简单的Python代码示例,可以使用ACF和PACF来确定p和q的值,使用差分来确定d的值: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.stattools import acf, pacf from statsmodels.tsa.arima_model import ARIMA # 读取数据 data = pd.read_csv('data.csv', index_col='Date', parse_dates=True) # 计算ACF和PACF lag_acf = acf(data['Price'], nlags=20) lag_pacf = pacf(data['Price'], nlags=20, method='ols') # 绘制ACF和PACF图 plt.subplot(121) plt.plot(lag_acf) plt.axhline(y=0, linestyle='--', color='gray') plt.axhline(y=-1.96/np.sqrt(len(data)), linestyle='--', color='gray') plt.axhline(y=1.96/np.sqrt(len(data)), linestyle='--', color='gray') plt.title('Autocorrelation Function') plt.subplot(122) plt.plot(lag_pacf) plt.axhline(y=0, linestyle='--', color='gray') plt.axhline(y=-1.96/np.sqrt(len(data)), linestyle='--', color='gray') plt.axhline(y=1.96/np.sqrt(len(data)), linestyle='--', color='gray') plt.title('Partial Autocorrelation Function') plt.tight_layout() # 确定d的值 diff = data['Price'].diff() diff = diff.dropna() # 拟合ARIMA模型 model = ARIMA(data['Price'], order=(2, 1, 2)) results = model.fit() # 输出模型结果 print(results.summary()) ``` 在上面的代码中,我们首先使用ACF和PACF计算p和q的值。然后,我们使用差分来确定d的值。最后,我们使用ARIMA模型进行拟合,并输出模型结果。在实际应用中,我们可以根据模型拟合效果来调整p、d、q的值,以得到更好的预测结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值