建模1_数据绘制

最新推荐文章于 2024-09-14 10:41:30 发布
最新推荐文章于 2024-09-14 10:41:30 发布
阅读量186 收藏
点赞数
文章标签： pandas 数学建模 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42878736/article/details/118541692
版权
该分析基于会员消费数据，通过数据预处理、分组和聚合操作，揭示了不同年龄段、性别与消费金额的关联。使用pandas库进行数据清洗和转换，创建了年龄区间，计算了各区间内的消费频次和总金额，并进行了可视化展示，揭示了消费模式的性别和年龄分布特点。
摘要由CSDN通过智能技术生成 
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
pd.options.display.max_rows= 10
import datetime
import matplotlib
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['font.family']='sans-serif'

fec1 = pd.read_excel(r'C:\Users\Administrator\Desktop\c题\c附件\会员消费明细查询2016.xlsx')
#fec2 = pd.read_excel(r'C:\Users\Administrator\Desktop\c题\c附件\会员消费明细查询2017.xlsx')

fec1['date'] = pd.to_datetime(fec1['消费时间'])
#fec2['date'] = pd.to_datetime(fec2['消费时间'])
fec1['month']=fec1['date'].apply(lambda x:x.month)
#fec2['month']=fec2['date'].apply(lambda x:x.month+12)

fec1['month']=fec1['date'].apply(lambda x:x.month)
#fec2['month']=fec2['date'].apply(lambda x:x.month+12)
会员卡号卡类型会员编号性别年龄单据号消费时间商铺编码消费金额消费积分datemonth
08088001625白金卡MN20150307198159女42585048022016/12/31 21:58:52112238.02382016-12-31 21:58:5212
18088012005白金卡MN20140430166571男3360512016123100762016/12/31 21:38:43605-11436.014362016-12-31 21:38:4312
28086102716VIP卡MN20131210149893女63585036112016/12/31 21:21:44112200.02002016-12-31 21:21:4412
38086232983VIP卡MN20131222152491女46585035022016/12/31 21:20:3711242.8422016-12-31 21:20:3712
48088001625白金卡MN20150307198159女42585034222016/12/31 21:18:50112150.01502016-12-31 21:18:5012
.......................................
7364288086129227VIP卡MN20121231041002男41B1242016010121986722016/1/1 9:56:09B124164.0492016-01-01 09:56:091
7364298086223710VIP卡MN20150407199239男29B1242016010121668472016/1/1 9:56:09B12484.0252016-01-01 09:56:091
7364308086226933VIP卡MN20130727107860女337082016010100432016/1/1 9:56:0970894.0942016-01-01 09:56:091
7364318086233209VIP卡MN20131212150274男697082016010100362016/1/1 9:56:09708181.01812016-01-01 09:56:091
7364328086227574VIP卡MN20130901118045女39B1242016011122018122016/1/1 0:00:00B12422.062016-01-01 00:00:001

736433 rows × 12 columns

#fec = pd.concat([fec1,fec2])
#fec['date'] = pd.to_datetime(fec['消费时间'])
#fec['month'] = fec['date'].apply(lambda x: x.month)
#fec

fec1.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 736433 entries, 0 to 736432
Data columns (total 12 columns):
会员卡号     736433 non-null object
卡类型      736433 non-null object
会员编号     736433 non-null object
性别       731993 non-null object
年龄       736433 non-null int64
单据号      736433 non-null object
消费时间     736433 non-null object
商铺编码     736433 non-null object
消费金额     736433 non-null float64
消费积分     736433 non-null int64
date     736433 non-null datetime64[ns]
month    736433 non-null int64
dtypes: datetime64[ns](1), float64(1), int64(3), object(7)
memory usage: 67.4+ MB

bins=np.array([0,10,20,30,40,50,60,70,80,90,100,120])#出资额分组
fec1['年龄段']=pd.cut(fec1['年龄'],bins,labels=[1,2,3,4,5,6,7,8,9,10,11])#年龄分段
fec1.corr(method='spearman')
fec1
会员卡号卡类型会员编号性别年龄单据号消费时间商铺编码消费金额消费积分datemonth年龄段
08088001625白金卡MN20150307198159女42585048022016/12/31 21:58:52112238.02382016-12-31 21:58:52125
18088012005白金卡MN20140430166571男3360512016123100762016/12/31 21:38:43605-11436.014362016-12-31 21:38:43124
28086102716VIP卡MN20131210149893女63585036112016/12/31 21:21:44112200.02002016-12-31 21:21:44127
38086232983VIP卡MN20131222152491女46585035022016/12/31 21:20:3711242.8422016-12-31 21:20:37125
48088001625白金卡MN20150307198159女42585034222016/12/31 21:18:50112150.01502016-12-31 21:18:50125
..........................................
7364288086129227VIP卡MN20121231041002男41B1242016010121986722016/1/1 9:56:09B124164.0492016-01-01 09:56:0915
7364298086223710VIP卡MN20150407199239男29B1242016010121668472016/1/1 9:56:09B12484.0252016-01-01 09:56:0913
7364308086226933VIP卡MN20130727107860女337082016010100432016/1/1 9:56:0970894.0942016-01-01 09:56:0914
7364318086233209VIP卡MN20131212150274男697082016010100362016/1/1 9:56:09708181.01812016-01-01 09:56:0917
7364328086227574VIP卡MN20130901118045女39B1242016011122018122016/1/1 0:00:00B12422.062016-01-01 00:00:0014

736433 rows × 13 columns

unique_cands = fec1['会员编号'].unique()#求解会员编号有多少不同, 返回会员编号这一列所有的唯一值
len(unique_cands)
fec1['会员编号'].nunique()
unique_cands

array(['MN20150307198159', 'MN20140430166571', 'MN20131210149893', ...,
       'MN2015091900255', 'MN2015071000008', 'MN20130122046159'], dtype=object)

fec1.isnull().any() #判断是否有缺失

会员卡号     False
卡类型      False
会员编号     False
性别        True
年龄       False
         ...  
消费金额     False
消费积分     False
date     False
month    False
年龄段       True
Length: 13, dtype: bool

取需要的列dataframe[[],[]…]

data_1 = fec1[['会员编号','卡类型','性别','年龄','单据号','商铺编码','消费金额','date']]
data_1
会员编号卡类型性别年龄单据号商铺编码消费金额date
0MN20150307198159白金卡女4258504802112238.02016-12-31 21:58:52
1MN20140430166571白金卡男336051201612310076605-11436.02016-12-31 21:38:43
2MN20131210149893VIP卡女6358503611112200.02016-12-31 21:21:44
3MN20131222152491VIP卡女465850350211242.82016-12-31 21:20:37
4MN20150307198159白金卡女4258503422112150.02016-12-31 21:18:50
...........................
736428MN20121231041002VIP卡男41B124201601012198672B124164.02016-01-01 09:56:09
736429MN20150407199239VIP卡男29B124201601012166847B12484.02016-01-01 09:56:09
736430MN20130727107860VIP卡女3370820160101004370894.02016-01-01 09:56:09
736431MN20131212150274VIP卡男69708201601010036708181.02016-01-01 09:56:09
736432MN20130901118045VIP卡女39B124201601112201812B12422.02016-01-01 00:00:00

736433 rows × 8 columns

#bins=np.array([0,20,30,40,50,60,70,80,90,100])#出资额分组
bins=np.array([0,10,20,30,40,50,60,70,80,90,100,120])#出资额分组，取值范围左开右臂

def rfm_convert1(x):
    rfm_dict = {0:'R',
                2:'M'}
    for i in (3):
        if i == 3:
            labels = [10,20,30,40,50,60,70,80,90,100]
            x[rfm_dict[i]] = pd.cut(x.iloc[:,i],10,labels=labels)
        else:
            labels = np.arange(1,6)    
            x[rfm_dict[i]] = pd.qcut(x.iloc[:,i],q=np.linspace(0,1,num=6),labels=labels)
    return x

labels1 = [10,20,30,40,50,60,70,80,90,100,120]
data_1['年龄段']=pd.cut(data_1['年龄'],bins,labels=labels1,include_lowest=True)  #include_lowest=True左边闭合
data_1.sort_values(by='年龄段',ascending=False)  #ascending表示从大到小排列


D:\anaconda3\lib\site-packages\ipykernel_launcher.py:17: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
会员编号卡类型性别年龄单据号商铺编码消费金额date年龄段
319589MN20130109042454VIP卡男92813201607271407813120.02016-07-27 13:19:57100
415883MN20130109042454VIP卡男92209201606121519209135.02016-06-12 15:51:35100
595627MN20130324060927VIP卡女98B135201603153647B13545.02016-03-15 18:56:11100
595626MN20130324060927VIP卡女98B135201603153699B13518.02016-03-15 18:56:11100
595625MN20130324060927VIP卡女98B135201603153698B13525.02016-03-15 18:56:11100
..............................
534275MN2015090100295VIP卡男06031201604170015603-1308.02016-04-17 13:22:5010
201409MN2016090200005普通卡男0B124201609232091130B12437.02016-09-23 13:38:1510
534276MN2015122700201VIP卡女0CB001201604170097025CB001649.02016-04-17 13:22:5010
201407MN2016062300093普通卡男0B124201609232168665B12419.02016-09-23 13:38:1510
368216MN2015120500197VIP卡女0701201607040608002701205.02016-07-04 18:03:5510

736433 rows × 9 columns

df.pivot_table(index=‘student’, values=‘grades’, aggfunc=fun)

转换各个维度去观察数据, aggfunc就是在数据转换过程中的过程函数

by_occupation_1= data_1.pivot_table('消费金额',index=['年龄段'],aggfunc='count')
print(by_occupation_1)
by_occupation_1.plot.pie(subplots = True,autopct='%.2f', fontsize=10, figsize=(5,5))
plt.show()

       消费金额
年龄段        
10   171482
20     1461
30    62698
40   252688
50   146145
..      ...
70    36302
80     8516
90      849
100     211
120       0

[11 rows x 1 columns]

在这里插入图片描述

聚合操作 .groupby

print(data_1)
f_value = data_1.groupby('年龄段')['会员编号'].agg([('2018年消费频次','count')])
print(f_value)
f_value.plot.pie(subplots = True,autopct='%.2f', fontsize=20, figsize=(8, 8))
plt.show()

                    会员编号   卡类型 性别  年龄                  单据号   商铺编码    消费金额  \
0       MN20150307198159   白金卡  女  42             58504802    112   238.0   
1       MN20140430166571   白金卡  男  33     6051201612310076  605-1  1436.0   
2       MN20131210149893  VIP卡  女  63             58503611    112   200.0   
3       MN20131222152491  VIP卡  女  46             58503502    112    42.8   
4       MN20150307198159   白金卡  女  42             58503422    112   150.0   
...                  ...   ... ..  ..                  ...    ...     ...   
736428  MN20121231041002  VIP卡  男  41  B124201601012198672   B124   164.0   
736429  MN20150407199239  VIP卡  男  29  B124201601012166847   B124    84.0   
736430  MN20130727107860  VIP卡  女  33      708201601010043    708    94.0   
736431  MN20131212150274  VIP卡  男  69      708201601010036    708   181.0   
736432  MN20130901118045  VIP卡  女  39  B124201601112201812   B124    22.0   

                      date 年龄段  
0      2016-12-31 21:58:52  50  
1      2016-12-31 21:38:43  40  
2      2016-12-31 21:21:44  70  
3      2016-12-31 21:20:37  50  
4      2016-12-31 21:18:50  50  
...                    ...  ..  
736428 2016-01-01 09:56:09  50  
736429 2016-01-01 09:56:09  30  
736430 2016-01-01 09:56:09  40  
736431 2016-01-01 09:56:09  70  
736432 2016-01-01 00:00:00  40  

[736433 rows x 9 columns]
     2018年消费频次
年龄段           
10      171482
20        1461
30       62698
40      252688
50      146145
..         ...
70       36302
80        8516
90         849
100        211
120          0

[11 rows x 1 columns]

在这里插入图片描述

xiangguan = by_occupation_1.join(f_value)
xiangguan.corr(method='spearman')
消费金额2018年消费频次
消费金额1.01.0
2018年消费频次1.01.0
f_value
2018年消费频次
年龄段
10171482
201461
3062698
40252688
50146145
......
7036302
808516
90849
100211
1200

11 rows × 1 columns

by_occupation_1= fec1.pivot_table('消费金额',index=['卡类型'],columns='性别',aggfunc='count')
by_occupation_1
性别女男
卡类型
VIP卡330876201053
南昌普通卡496287
普通卡5543155664
白金卡6355824628
by_occupation_1.plot(kind='barh')#横向条形
plt.show()

在这里插入图片描述

]

bins=np.array([0,10,20,30,40,50,60,70,80,90,100,120])#出资额分组
labels=pd.cut(fec1['年龄'],bins)

0         (40, 50]
1         (30, 40]
2         (60, 70]
3         (40, 50]
4         (40, 50]
            ...   
736428    (40, 50]
736429    (20, 30]
736430    (30, 40]
736431    (60, 70]
736432    (30, 40]
Name: 年龄, Length: 736433, dtype: category
Categories (11, interval[int64]): [(0, 10] < (10, 20] < (20, 30] < (30, 40] ... (70, 80] < (80, 90] < (90, 100] < (100, 120]]

grouped.size().unstack(0)的用法

stack()即“堆叠”，作用是将列旋转到行

unstack()即stack()的反操作，将行旋转到列

grouped=fec1.groupby(['卡类型',labels])
grouped.size().unstack(0)
卡类型VIP卡南昌普通卡普通卡白金卡
年龄
(0, 10]637.0NaN209.0108.0
(10, 20]1088.0NaN159.0214.0
(20, 30]49024.02.05643.08029.0
(30, 40]199018.0618.017393.035659.0
(40, 50]112961.0159.07788.025237.0
(50, 60]44441.02.02991.08647.0
(60, 70]26276.02.0828.09196.0
(70, 80]7037.0NaN273.01206.0
(80, 90]788.0NaN3.058.0
(90, 100]210.0NaN1.0NaN
#by_occupation_4= fec.pivot_table('消费金额',index=labels,columns=['卡类型'],aggfunc='count')
#by_occupation_4.plot.pie(subplots = True,autopct='%.2f', fontsize=30, figsize=(50, 50))

by_occupation_5= fec1.pivot_table('消费金额',index=labels,columns=['卡类型'],aggfunc='sum')
by_occupation_5.plot.pie(subplots = True,autopct='%.2f', fontsize=10, figsize=(20, 20))
plt.show()

在这里插入图片描述

bins=np.array([0,10,20,30,40,50,60,70,80,90,100,120])#出资额分组
labels=pd.cut(fec1['年龄'],bins)
by_occupation_4= fec1.pivot_table('消费金额',index=labels,aggfunc='sum')
by_occupation_4
消费金额
年龄
(0, 10]3.319693e+05
(10, 20]6.612430e+05
(20, 30]1.941047e+07
(30, 40]7.539194e+07
(40, 50]4.943245e+07
......
(60, 70]1.047164e+07
(70, 80]1.649638e+06
(80, 90]1.621774e+05
(90, 100]2.897200e+04
(100, 120]NaN

11 rows × 1 columns

by_occupation_4.plot(kind='barh')#横向条形
plt.show()

在这里插入图片描述

by_occupation_4.plot.pie(subplots = True,autopct='%.2f', fontsize=20, figsize=(10, 10))
plt.show()

在这里插入图片描述

fec1['date'] = pd.to_datetime(fec1['消费时间'])
#fec2['date'] = pd.to_datetime(fec2['消费时间'])
fec1['month'] = fec1['date'].apply(lambda x: x.month)
#fec2['month'] = fec2['date'].apply(lambda x: x.month)
fec1
会员卡号卡类型会员编号性别年龄单据号消费时间商铺编码消费金额消费积分datemonth
08088001625白金卡MN20150307198159女42585048022016/12/31 21:58:52112238.02382016-12-31 21:58:5212
18088012005白金卡MN20140430166571男3360512016123100762016/12/31 21:38:43605-11436.014362016-12-31 21:38:4312
28086102716VIP卡MN20131210149893女63585036112016/12/31 21:21:44112200.02002016-12-31 21:21:4412
38086232983VIP卡MN20131222152491女46585035022016/12/31 21:20:3711242.8422016-12-31 21:20:3712
48088001625白金卡MN20150307198159女42585034222016/12/31 21:18:50112150.01502016-12-31 21:18:5012
.......................................
7364288086129227VIP卡MN20121231041002男41B1242016010121986722016/1/1 9:56:09B124164.0492016-01-01 09:56:091
7364298086223710VIP卡MN20150407199239男29B1242016010121668472016/1/1 9:56:09B12484.0252016-01-01 09:56:091
7364308086226933VIP卡MN20130727107860女337082016010100432016/1/1 9:56:0970894.0942016-01-01 09:56:091
7364318086233209VIP卡MN20131212150274男697082016010100362016/1/1 9:56:09708181.01812016-01-01 09:56:091
7364328086227574VIP卡MN20130901118045女39B1242016011122018122016/1/1 0:00:00B12422.062016-01-01 00:00:001

736433 rows × 12 columns

data_3= fec1.pivot_table('消费金额',index='month',aggfunc='sum')
data_3.plot(kind='bar')#横向条形
plt.show()

在这里插入图片描述

#data_33= fec2.pivot_table('消费金额',index='month',aggfunc='sum')
#data_33.plot(kind='bar')#横向条形

统计卡类型变换

car_label = {'VIP卡':'a','南昌普通卡':'b','普通卡':'c','白金卡':'d'}
fec1['party'] = fec1['卡类型'].map(car_label)
data2 = fec1.groupby('会员编号')['party'].unique()
data2

会员编号
MN20120928000004       [a]
MN20120928000005       [d]
MN20120928000007       [a]
MN20120928000016       [a]
MN20120928000017       [a]
                     ...  
MN2018022100100     [c, a]
MN2018032400067     [c, a]
MN2018051900017        [c]
MN2018051900057        [c]
MN2018051900133        [c]
Name: party, Length: 82391, dtype: object

data33 = data2[data2.apply(len)==2]
data33

会员编号
MN20120928000020    [d, a]
MN20120928000040    [d, a]
MN20120928000046    [d, a]
MN20120928000047    [d, a]
MN20120928000067    [d, a]
                     ...  
MN2017102100160     [c, a]
MN2017122300006     [c, a]
MN2018011800118     [c, a]
MN2018022100100     [c, a]
MN2018032400067     [c, a]
Name: party, Length: 14218, dtype: object

def f(x):
    if (x[0] is 'a'):
        if x[1] is 'b':
            x = 1
        elif x[1] is 'c':
            x=2
        else:
            x = 3
            
    elif x[0] is 'b':
        if x[1] is 'a':
            x = 4
        elif x[1] is 'c':
            x=5
        else:
            x=6
            
    elif x[0] is 'c':
        if x[1] is 'a':
            x = 7
        elif x[1] is 'b':
            x=8
        else:
            x=9
            
    elif x[0] is 'd':
        if x[1] is 'a':
            x = 10
        elif x[1] is 'b':
            x=11
        else:
            x=12
    return x
data43 = data33.apply(f)
data6 = pd.DataFrame(list(zip(data33, data43)))
data6
01
0[d, a]10
1[d, a]10
2[d, a]10
3[d, a]10
4[d, a]10
.........
14213[c, a]7
14214[c, a]7
14215[c, a]7
14216[c, a]7
14217[c, a]7

14218 rows × 2 columns

data6[1].value_counts()

7     12800
2       709
10      617
3        43
9        27
12       18
1         4
Name: 1, dtype: int64

pd.to_numeric(data6[1])

0        10
1        10
2        10
3        10
4        10
         ..
14213     7
14214     7
14215     7
14216     7
14217     7
Name: 1, Length: 14218, dtype: int64

33/(134629-25450)

0.00030225592833786716
冒的感觉的疯子
关注
数仓建模—逻辑数据模型
04-18 6万+
在我们深入研究 LDM 之前，我们先来了解一下什么是数据模型以及数据建模根据IBM 的说法，它是“创建整个信息系统或部分信息系统的可视化表示，以传达数据点和结构之间的连接的过程”。能够可视化数据结构之间的这些关系使组织能够确定哪些业务领域需要改进。数据模型分为三种类型：概念型、逻辑型和物理型。通常，数据架构师和业务相关者是创建概念数据模型的用户。构建这些类型的目的是组织和定义业务概念和规则。它们具有不同类型的子模型，例如语义数据模型和业务数据模型。其实我们在数仓建模—建模流程。
pands.qcut 太慢？使用numpy来让速度起飞
搏一搏客
11-19 778
pands.qcut 太慢？使用numpy来让速度起飞 对于数据处理，一般来说，处理数独方面，pdDataFame < pd.Series < np.array 最近在使用 pd.qcut 进行数据划分方面的工作，发现速度真是的是慢的难以忍受 import numpy as np import pandas as pd 首先构造一个 100 x 5000 的，取值范围在 [1, 100] 的DataFrame df = pd.DataFrame(np.random.randint(1, 10
直方图中bins应如何理解及处理
那年聪聪
03-16 2万+
直方图中bins应如何理解及处理
了解数据治理体系化建模
张彦峰的博客
02-10 3万+
数据体系化建模初步学习与建模实践了解
visio形成数据字典_数据建模
weixin_39903477的博客
11-21 1526
建模可以分为数学建模，数据建模；建置三维模型https://www.wikiwand.com/zh-hans/%E5%BB%BA%E6%A8%A1和数据分析相关的自然就是：数据建模概念的定义：引用自维基百科：数据建模是运用正式的数据建模技术，建立信息系统的数据模型的过程。把现实世界的各类数据抽象组织后，确定需要数据库管辖，以及数据的组织形式后，转化成实际的数据库，使用visio等工具简历数据库实体...
威胁建模之绘制数据流图
hldfight
06-28 1806
1、什么是威胁建模：以结构化的方式思考、记录并讨论系统存在的安全威胁，并针对这些威胁制定相应的消减措施。2、为什么要威胁建模：（1）在设计阶段开展威胁建模，一方面可以更全面的发现系统存在的威胁，根据发现的威胁提出相应的安全需求，来最大限度保证系统的安全；另一方面也可以降低安全设计缺陷导致的修复成本。（2）通过威胁建模生成的记录文档，为后期开展的代码审计、渗透测试等安全活动提供支持，可极大提升漏洞挖掘的效率。
数据分析之数据预处理、分析建模、可视化
热门推荐
若如初见
08-08 10万+
概述：简介、思路、发展历程、应用领域、开发流程； 数据类型：结构化与非结构化、定性与定量、截面数据与时间序列数据； 数据来源：外部来源、内部来源； 数据预处理：数据清洗、数据集成、数据规约、数据变换； 数据分析模型：对比分析、漏斗分析、留存分析、A/B测试、用户行为路径分析、用户分群、用户画像分析等； 数据分析方法：描述统计、假设检验、信度分析、相关分析、方差分析、回归分析、聚类分析、判别分析、主成分分析、因子分析、时间序列分析等； 数据可视化：Excel、PowerBI、Tableau、Python；
python的数学建模库_数学建模库
weixin_39737240的博客
12-01 2515
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。引用：import numpy as npNumpy简单创建数组：import numpy as np# 创建简单的列表a = [1, 2, 3, 4]# 将列表转换为数组b = np.array(a)Numpy查看数组属性:数组元素个数:b...
数学建模：数据预处理——数据清洗、数据变换
gxnuer_22se的博客
02-28 6415
在数学建模赛题中，官方给所有参赛选手的数据可能受到主观或客观条件的影响有一定的问题，如果不进行数据的处理而直接使用的话可能对最终的结果造成一定的影响，因此为了保证数据的真实性和建模结果的可靠性，需要在建模之前对数据进行相关的预处理工作！
数学建模 matlab 数据建模基础
qq_740785701的博客
05-30 5345
一、数据的获取 1.从Excel中读取数据 （1）xlsread函数 ：从EXCEL读入数据到MATLAB中。 例如： a = xlsread(‘D:\adc.xlsx’,1,‘A1:D2’) 其中，‘D:\abc.xlsx’表示读入的EXCEL数据所在的路径以及EXCEL的文件名称；1表示位于sheet1；'A1:D2’表示需要读入的数据范围。 （2）xlswrite函数：从MATLAB中往EXCEL写入数据。 xlswrite(‘D:\adc.xlsx’,a,1,‘A1:D2’) 其中，‘D:\ab
matlab.rar_matlab 数学建模_数学建模_数学建模QP_数学建模matlab
09-23
1. **数值计算**：MATLAB内置了大量的数值计算函数，如线性代数、微积分、常微分方程求解等，为数学建模提供了便捷的工具。例如，可以使用`ode45`求解非线性微分方程组，`lsqcurvefit`进行曲线拟合。 2. **矩阵与...
vtkExtractVOI.rar_vtkExtractVOI_vtkextractV_三维重建_体绘制_体绘制 VTK
09-24
它提供了丰富的图形渲染和处理功能，包括三维建模、图像处理、体绘制等。开发者可以利用VTK构建复杂的可视化应用。 2. **三维重建**：在计算机视觉和医学成像领域，三维重建是指从一系列二维图像中恢复出物体或场景...
数学建模案例MATLAB实用程序百例.rar_matlab数学建模_数学建模_数学建模matlab_数学建模案例_数学建模程序
09-21
这些案例涵盖了MATLAB的多种使用技巧，如数据预处理、模型建立、参数估计、结果分析等环节，对提升你的建模技能大有裨益。 总结来说，MATLAB在数学建模中的应用不仅仅体现在其强大的计算能力，更在于它能够帮助我们...
matlab数学建模算法全收录.rar_matlab_matlab 建模_数学建模_数学建模算法_算法
09-22
8. **图形可视化**：MATLAB的绘图功能强大，可以帮助用户直观展示建模结果，书中会涉及各种图表的绘制技巧和3D图形的生成。 9. **案例研究**：通过实例，书中将展示如何将上述算法应用于实际问题，如经济预测、环境...
Matlab数学建模算法全收录.rar_matlab_matlab 数学建模_数学建模_数学建模 matlab_数学建模算法
09-19
3. **统计分析**：涵盖数据拟合、假设检验、回归分析、主成分分析、聚类分析等，这些在处理实验数据或社会经济数据时非常实用。 4. **信号处理**：包括滤波器设计（如 Butterworth、Chebyshev 滤波器）、傅立叶变换...
数学建模常用模型全面总结（含适用条件、优点、局限性和应用场景）
最新发布
qq_63913621的博客
09-14 336
数学建模常用模型全面总结（含适用条件、优点、局限性和应用场景）
Python 数学建模——假设检验
wr114514的博客
09-09 1542
介绍了再 Python 数学建模时如何使用假设检验，以及两个特殊的非参数假设检验——KS 检验和 Wilcoxon 检验。
【数学建模】2024数学建模国赛经验分享
风高秋月白，雨霁晚霞红
09-04 1万+
国赛经验分享。
【数学建模】2024年国赛成绩公布时间预测
kstt20230206的博客
09-11 477
往年国赛成绩公布后，【数模加油站】都会在第一时间告诉我们的小伙伴，争取让大家能够最快获取成绩信息，今年也不例外。处理时间按预测之外，也会及时公布比赛成绩的相关内容的
PowerDesigner数据建模指南
它涵盖了数据库模型设计的各个阶段，包括数据流程图绘制、概念数据模型(CDM)、物理数据模型(PDM)的创建，以及生成数据库脚本。此外，PowerDesigner还支持与其他开发工具如PowerBuilder、Delphi、VB的集成，以提高...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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