yingfly的专栏

文章目录1 傅里叶级数2 傅里叶变换3 离散傅里叶变换DFT重点：举例1-尝试一个周期为2，采样时间为1的例子重新梳理傅里叶变换时，在变换后的频率处理时，踩了一个大坑，记录以下。1 傅里叶级数傅里叶的发现总结成一般规律就是任意复杂的信号都能由一个个混合在一起的正弦函数的和来表示。假设函数f(t)\Large f(t)f(t)定义在[0,T)上，则ω0=2πT\Large\omega_0 = \frac {2\pi} Tω0​=T2π​,{sin⁡ω0t,cos⁡ω0t,...,sin⁡nω0t,c

目录二项分布性质负二项分布性质示例期望与方差二项分布容易理解，负二项分布的描述不同模型稍有区别，记录一下。二项分布离散分布的一种，固定次数的独立试验时使用，每一次试验结果分为成功和失败两类，关心的是成功或失败的次数。二项分布概率密度为：P(X=k)=Cnkpkqn−k\large\displaystyle P(X=k)=C_n^k p^kq^{n-k}P(X=k)=Cnk​pkqn−k其中：p为单次试验成功的概率，q为失败的概率；n为试验次数；k表示成功k次，Cnk=n!k!(n−k)

几何分布几何分布用于描述这种分布：独立事件的结果只有2个：”1和0“ 或”成功和失败“等，成功的概率为ppp, 失败的概率为q=1−pq=1-pq=1−p; 第r次成功的概率为P(X=r)=p⋅qr−1P(X=r)=p\cdot q^{r-1}P(X=r)=p⋅qr−1即用来描述进行多次伯努利事件，第1次成功次数的概率；换句话说每一次事件都有成功和失败的可能，所关心的是第一次成功的概率或取得第一次成功需要试验的次数。期望 ：E(X)=1p\displaystyle E(X)=\frac {1}{p}

超几何分布HyperGeometricDistribution超几何分布描述不放回抽样的抽取试验，即每进行一次抽样，事件发生的概率均有一定的变化。如：在含有M个红球的N个球中，任取n个球，其中恰有X个红球，则事件{X=k}发生的概率为：P(X=k,n,M,N)=CMkCN−Mn−kCNn\large\displaystyle P(X=k,n,M,N)=\frac{C_M^kC_{N-M}^{n-k}}{C_N^n}P(X=k,n,M,N)=CNn​CMk​CN−Mn−k​​如果是抽取n+1n+1n

泊松分布 Poisson Distribution泊松分布简要实例举例泊松分布简要实例泊松分布 Poisson Probabilities用于描述一种分布：已知给定区间内事件的平均发生次数 ???? ，推断在给定区间内事件的发生次数，区间可以是时间也可以是空间。泊松分布的期望与方差均为 ????。比如统计数据表明一台机器平均1周故障 ???? 次，那么接下来一周的故障次数满足以下规律：P(x=k)=e−λλk!k\displaystyle P(x=k)= \frac {e^{-\lambda}

在某次使用pd.Dataframe.combine_first()时，出现了重复行，经排查原因为第2个df存在重复行，记录一下。DataFrame.combine_first(other)Update null elements with value in the same location in other.Combine two DataFrame objects by filling null values in one DataFrame with non-null values from

只是读取一个Access数据库文件装入pandas数据框，着实搜了好久。弯路开始找到了pandas_access模块，精巧、语法简单，参见：https://pypi.org/project/pandas_access/ 。但是按照该模块语法未能成功，原因不详、不予追究。pyodbc模块+pandasimport pandas as pdimport pyodbc# 文件路径及文件名mdb_file = r'D:\userTme\test.mdb'driver = '{Microsoft A

pandas dataframe 布尔筛选后遇到的坑记录一下。d1 = pd.DataFrame(np.arange(12).reshape(4,3),columns=list('ABC'))# 新增一列d1['D'] = 0d1为 A B C D0 0 1 2 01 3 4 5 02 6 7 8 03 9 10 11 0布尔筛选给d1[‘D’]赋值，d1[(d1['A']>3) & (d1['A']<10)]['D']=1d1输出的d1没有变化，坑是，

开始构造一个元素为0的np.array，后依次赋值，结果值不变，x = np.array([0,0,0,0])g = np.array([[0,0.701,0.707], [0, -0.707, 0.707], [1,0,0]])x[1]=g[2,0]-g[0,2]print(x[1],g[2,0]-g[0,2],g[2,0],g[0,2])x[1]明显不为零，结果输出为零：0 0.29300000000000004 1.0 0.707

基础回顾Fourier变换就是将周期信号沿正交基分解，而一组良好的正交基就是正弦/余弦函数，完备的正交基为 ej2πntT或e2πnf0t\displaystyle e^{j\frac {2 \pi n t}{T}} 或 e^{2 \pi n f_0t}ejT2πnt​或e2πnf0​t , 正交容易证明，完备性证明复杂。基于此，连续域上的Fourier变换可以写为F(ω)=∫−∞+∞f(t)e−jωtdt\displaystyle F(\omega) = \int_{-\infin}^{+\infi

磁滞回线物理意义考虑爱波斯坦方圈测磁或变压器，电流一个周期所做的功为WWW，即为损耗,W=∫t1t2u(t)i(t)dt\displaystyle W= \int _{t1}^{t2}u(t)i(t)dt W=∫t1t2​u(t)i(t)dt由于u(t)=Ndϕdt=NAdB(t)dt=N⋅AdBdt\displaystyle u(t)=N \frac{d\phi}{dt} = N \frac{A dB(t)}{dt} = N\cdot A \frac{dB}{dt}u(t)=Ndtdϕ​=Ndt

scipy 三次样条插值3次样条插值即用两次连续可微的分段三次多项式插值数据，详细可参考 https://blog.csdn.net/bodybo/article/details/77335129scipy.interpolate.CubicSpline三次样条数据插值器，用两次连续可微的分段三次多项式插值数据。结果为PPoly类的对象，断点与给定数据匹配。class scipy.interpolate.CubicSpline(x, y, axis=0, bc_type=‘not-a-knot’,

pandas 中dataframe 选择列后 fillna() 使用inplace参数，不改变源数据。df4=pd.DataFrame(data=np.arange(0,20).reshape(5,4),columns=['c1','c2','c3','c4'],index=range(0,5))df4.loc[2,'c2']=np.nandf4df4为 c1 c2 c3 c40 0 1.0 2 31 4 5.0 6 72 8 NaN 10 113 12 13.

dataframe 两种选择列名的不同，导致结果完全不同。第1种正常的选择列，输出的是 布尔型series，可以在dataframe中直接使用；第2种，[ ]中加 [ ] 可以选择多列，其返回值是 布尔型的dataFrame，直接用于筛选出现意外。构造一个含有np.nan的dataframe,df4=pd.DataFrame(data=np.arange(0,20).reshape(5,4),columns=['c1','c2','c3','c4'],index=range(0,5))df4.lo

python 太灵活了, 一个数组的元素个数，在含有 np.nan时，不同的方法返回值不同tmp = [np.nan,0.3,0.3,0.2]tmp=pd.Series(tmp)tmp.count(), tmp.shape[0], tmp.size, len(tmp)返回值依次为(3, (4,), 4, 4)

matplotlib 箱线图 叠加 直方图OriginPro 里箱线图叠加直方图很不错，尝试了使用matplotlib达到类似效果import matplotlib.pyplot as pltimport numpy as np## 借用帮助文件中的数据# Fixing random state for reproducibilitynp.random.seed(19680801)#...

graph TD方向是： TB/TD - 从上到下；BT - 从下到上RL - 从右到左；LR - 从左到右graph LRA["[]矩形"]-->|"-->箭头"|B("（）圆角")B---|"---连线"|C(("双(())圆形"))C==>|==粗线|D{"{}菱形"}C-->E>">]为非对称"]-->箭头---连线==粗线[]矩...