m0_73500130的博客

在日常的计量检测工作中经常会处理各种数据，在处理数据之前会提前使用格拉布斯准则查看数据中是否存在异常值，如果存在异常值的话应该重新进行计量检测，没有异常值则对数据进行下一步操作。判断异常值常用的格拉布斯方法基于数据来自正态分布的假设，通过计算格拉布斯统计量（G值）并与临界值进行比较来判断数据点是否为离群值，分为双边检验和单侧检验，双边检验用于检测数据集中最大和最小值是否为异常值，而单侧检验则仅关注最大值或最小值。

K-均值聚类算法属于一种无监督学习的方法，通过迭代的方式将数据划分为K个不重叠的子集（簇），每个子集由其内部数据点的平均值来表示。这里使用Julia语言及R语言来实现K-均值算法。

letpy""""""global py_one # 声明一个全局变量来存储Python函数py_one = py"one" # 将Python函数赋值给Julia全局变量endend#=旧版本代码py""""""endend=#

在操作之前需要先下载Julia的Distributions包，这个包用于进行相关概率分布的函数调用。测试次数为3次一组，属于小样本量，所以使用 n-1 作为分母来得到无偏估计。这里我使用我们自己实验室的实测数据 ，平均值。=0.11，数据分布服从于正态分布，使用。完整版Julia代码。

通过Julia代码计算模拟的图片体现出算数平均值与几何平均值计算所得值的不同。根据生成图像可以看出，几何平均值方法更有效的消除系统误差。

使用Julia语言实现决策树中基本的分类与回归方法，它呈现出一种树形结构，可以直观地展示决策的过程和结果。在决策树中，每个内部节点表示一个属性上的判断条件，每个分支代表一个可能的属性值，每个叶节点代表一个类别或者具体的数值。决策树的主要优点是模型具有可读性，分类速度快。

二项分布是一种离散概率分布，描述了在n次独立重复的伯努利试验中成功的次数的概率分布。其中，每次试验的结果只有两个可能：成功或失败，且每次试验的成功概率p是相同的。

在程序运行中，可能会遇到各种预期之外的情况，如用户输入错误、网络故障、硬件问题等。通过异常处理机制，将错误处理代码与正常的业务逻辑代码分离开来，程序可以在遇到这些问题时做出适当的响应，而不是直接崩溃，这样可以显著提高程序的稳定性和可靠性，使得代码更加清晰、易于阅读和维护。julia语言通常使用 try-catch 、error()、throw()、finally这几种方式来进行异常处理。

一个 n 位数的水仙花数满足以下条件：若该数为a0​a1​×10a2​×102an−1​×10n−1（其中0≤ai​≤9i从0到n−1a0n​a1n​a2n​an−1n​a3b3c3100a10bc其中，a、b 和 c 分别为该三位数的百位、十位和个位数字。

安装一个Pluto.jl，Pluto是一个为Julia语言设计的交互式笔记本工具，类似于Jupyter Notebook，是用纯Julia编写的，还提供了在笔记本中探索和实验模型的能力，并且具有响应式特性：当更改功能或变量时，Pluto会自动更新所有受影响的单元格。Pluto还支持在笔记本中穿插Markdown和代码，从而可以创建交互丰富且美观的笔记本。此外，Pluto提供了一个帮助系统，使用户可以边写代码边查看Julia的API文档，这大大提高了开发效率。

Julia语言中的位运算符、赋值运算符、算术运算符，讲述这些运算符的操作方法

安装稳定的Julia1.6.7版本，修改代码细节，JuMP包用来数学优化，GLPK包用来处理线性规划问题。

Julia语言中的关系运算符和逻辑运算符，案例：学生成绩评价系统、猜拳游戏

Julia语言的条件运算符和其他语言的三目运算符操作，复合表达式是一种由一个表达式按照顺序对一系列子表达式求值，并返回最后一个子表达式的值的构造。其中的begin块 是一种多行的复合表达式写法，可以在一个代码块中编写多个语句，然后照顺序执行，执行后begin块 将返回最后一个语句的结果作为整个块的值。链 是一种将多个表达式放在同一行中，并使用分号 ； 分隔它们的方法。和begin块 一样，;链 也会按照顺序执行每个表达式，并返回最后一个表达式的值。

在 Julia 语言中，元编程（Metaprogramming）可以生成或操作其他代码。这种技术允许程序员在编译时或运行时动态地创建、修改或分析代码，从而增强语言的功能和灵活性，以宏（Macros）、表达式和符号（Expressions and Symbols）、反射（Reflection）、并行计算（Parallel Computing）为主。在运行以下代码时需要先下载DataFrames包和DataFramesMeta包。