时间序列平稳性的统计检验 在实际应用过程中，通常需要对时间序列进行平稳性判断，观察一个序列是否存在某种趋势，以及各时间间隔内折线是否存在明显的差异。下面介绍一下常用的几种检验方法。1、绘制时间序列散点图。该方法只能直观、粗略的看序列是否存在明显的趋势。2、Daniel检验法。主要用于观察序列是否存在着趋势，不检测自相关。该方法建立在Spearman相关系数基础之上，利用非参数方法中Spearman秩相关系数
算法代码片段（二） %%基本蝙蝠算法function[best,fmin,N_iter]=bat(para)if nargin<1 para=[10 0.25 0.5];endn=para(1); %种群数量，一般选取[10，25]A=para(2); %音量，一般为常数或者递减r=para(3); %脉冲率，一般为常数或者递减%确定频率变化范围Qmin=0;Qmax=2;%算法迭代参
数据挖掘--Apriori Apriori：关联规则Apriori 核心算法过程如下：过单趟扫描数据库D计算出各个1项集的支持度，得 到频繁1项集的集合。连接步：为了生成，预先生成,由2个只有一个项不同的属于的频集做一 个（k-2）JOIN运算得到的。剪枝步：由于是的超集，所以可能有些元素不是频繁的。在 潜在k项集的某个子集不是中的成员是，则该潜在频繁项集不可能是频繁的可以从中移去。通过 单趟扫描数据库D
sql语句优化 1、经常用在where和order by之后的列，应当建立索引。2、应尽量避免在 where 子句中对字段进行 null 值判断，否则将导致引擎放弃使用索引而进行全表扫描。3、一般不确定列的大小，建议用varchar，当该列可为空时，值为null时不占用空间。4、在建表时，可以设置默认值的尽量设置默认值而不是null。5、应尽量避免在 where 子句中使用 != 或 6、
连接数据库 import pymssql#python使用pymssql连接sql server数据库class MSSQLDB: def __init__(self): self.host="" self.user="" self.pwd="" self.db="" def __GetConnect(self):
算法代码片段（一） % 初始化参数data=load('last.txt');[n,m]=size(data);% m表示景区个数% Play_Time=data(1,:);%每个景区的逗留时间Transportation=data(2:n,:);%景区与景区之间的行程时间ant = 8; % 蚂蚁数量alpha =1;
判断数据库和磁盘中文件是否一致 from DB import MSSQLDBfrom openpyxl import load_workbookimport fnmatch, os, sys, win32com.clientimport retxtpath=r'C:\360高速下载' #绝对路径count=0 #记录处理的数据行数txtcount=0#记录doc或docx文件复制为txt文件的文件名wordapp
获取网页图片链接(http:/) # -*- coding: utf-8 -*-import reimport urlliburl=r'http://image.baidu.com/search/index?tn=baiduimage&ct=201326592&lm=-1&cl=2&ie=gbk&word=songzhongji'#读取网页内容imgcontent=urllib.urlopen(url).read()
数据可视化工具 1、谷歌为数据分析和数据挖掘提供了一个开放的作图工具Google Chart，试用地址：https://developers.google.com/chart/2、Tableau Software公司的免费软件 http://www.tableausoftware.com/public/gallery/geography-diabetes3、visual4、R语言作图
分类与回归 简要说明：不同的算法做成的分类器在不同的数据集上也会有不同的表现1、K最近邻算法算法核心思想：如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特征2、决策树if-tnen3、神经网络算法思想：神经网络是通过对人脑的基本单元--神经元的建模和联接，探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和
数据挖掘基本知识框架 数据挖掘技术：关联分析；序列模式；分类；聚集；异常检测。构成数据挖掘算法的三要素：1、模式记述语言（反映了算法可以发现什么样的知识）2、模式评价（反映了什么样的模式可以称为知识）3、模式探索（包括针对某一特定模式对参数空间的探索和对模式空间的探索）数据挖掘的主要方法：分类；聚类；相关规则；回归；其他数据挖掘算法--分类与预测 分类（判定归纳树算法，贝叶斯分类，后向传播
关注
