Python内建了很多有用的函数，我们可以直接调用。要调用一个函数，需要知道函数的名称和参数，最好的方法就是去看官方文档，并去查看源码来查看他的是实现原理以便于更好得理解。这里介绍一些常用的内置函数。abs函数绝对值的函数>>> b = abs(-12)
>>> b
12
>>> b = abs(12)
>>> b
12
&g
文章目录前言：什么是突变？1. MK突变分析2. Pettitt方法3. 滑动T检验(Moving T test , MTT) 前言：什么是突变？常见的气候突变是把它定义为气候从一个平均值到另 一个平均值的急剧变化, 它表现为气候变化的不连续性（符淙斌，1992）。下图总结了四种常见的突变： (a)均值突变：从一个均值到另一个均值的变化，表现气候变化的不连续性 (b)变率突变：平均值没有变但是方
转载
2023-12-01 11:14:35
3601阅读
上次简单介绍了kNN算法，简单来说，通过计算目标值与样本数据的距离，选取k个最近的值，用出现概率大的分类值代表目标值的分类，算法实现比较简单，属于监督学习方法。这篇文章打算简单介绍k-means聚类算法，与之前不同，是一种非监督的学习方法。机器学习中两类大问题，分类和聚类。分类是根据一些给定的已知类别标号的样本，训练某种学习机器，使它能够对未知类别的样本进行分类。这属于supervised lea
前面所做的都是从时间尺度上研究的变化趋势，而从空间尺度上分析，能够更加直观地看出温度变化的地理位置。M-K（Mann-Kendall）是世界气象组织推荐并被广泛用于实际研究的非参数检验方法，是时间序列趋势分析方法之一。它不要求被分析样本遵从一定分布，同时也不受其它异常值的干扰，对于非正统分布的气象数据，M-K秩次相关检验具有更加突出的适用性。M-K趋势检验原理定义检验统计量： 其中， 为符号函数。
转载
2024-10-16 20:53:39
119阅读
中心思想现有：已知上一刻状态，预测下一刻状态的方法，能得到一个“预测值”。（当然这个估计值是有误差的）某种测量方法，可以测量出系统状态的“测量值”。（当然这个测量值也是有误差的）我们如何去估计出系统此时真实的状态呢？
答案是需要结合“预测值”和“测量值”。例如我们可以加权求和，但是这个权重要怎么定义，才能准确估计出真实状态呢？这个权重就是Kalman Filter解决的事情。系统建模预测方法\[x
MK（Mann-Kendall）检验a基本原理：使用MK算法检验时序数据大致趋势，趋势分为无明显趋势（稳定）、趋势上升、趋势下降。MK检验的基础：当没有趋势时，随时间获得的数据是独立同分布的，数据随着时间不是连续相关的。所获得的时间序列上的数据代表了采样时的真实条件，样本要具有代表性。MK检验不要求数据是正态分布，也不要求变化趋势是线性的。如果有缺失值或者值低于一个或多个检测限制，是可以计算MK检
转载
2023-11-27 14:33:23
1283阅读
《A Byte of Python3》和Problem Solving with Algorithms and Data Structures using Python — Problem Solving with Algorithms and Data Structures http://interactivepython.org/courselib/static/pythonds/index.
使用Python实现MK检验的复盘记录
在数据分析和统计中，MK检验（Mann-Kendall检验）是一种常用的无参数检验方法，用于检测时间序列中的趋势。随着数据科学的发展，对MK检验的需求逐渐增多。本文记录了使用Python实现MK检验的整个过程，并详细阐述相关的技术原理、架构以及应用场景。
```markdown
### 背景描述
自2020年以来，随着大数据时代的到来，越来越多的行业开
在数据分析工作中，趋势检验是一个非常重要的环节。特别是在Python中，Mann-Kendall（MK）检验被广泛使用来分析时间序列数据的趋势。接下来，我将详细记录如何在Python中进行MK趋势检验的过程。
## 环境准备
首先，我们需要确保我们的开发环境能够支持相关库的安装和运行。
**软硬件要求：**
- 操作系统：支持Python的操作系统（如Windows, macOS, Lin
# Python的MK逆序
在计算机科学中，逆序对是一个重要的概念，尤其是在排序和数据分析等方面。MK逆序的定义特点让它在研究数据时提供了极大的便利。本文将深入探讨MK逆序的概念，并通过Python编程语言提供代码示例，让您可以更好地理解和应用这一概念。
## 什么是MK逆序？
MK逆序对是指在一个数组中，对于所有的(i, j)，如果满足i < j且arr[i] > arr[j]，那么这个对
原创
2024-09-21 07:15:56
14阅读
当我们在写程序的时候，我们需要通过测试来验证程序是否出错或者存在问题，但是，编写大量的测试来确保程序的每个细节都没问题会显得很繁琐。在Python中，我们可以借助一些标准模块来帮助我们自动完成测试过程，比如：unittest: 一个通用的测试框架；doctest: 一个更简单的模块，是为检查文档而设计的，但也非常适合用来编写单元测试。下面，笔者将会简单介绍这两个模块在测试中的应用。doctestd
# Android.mk 引用其他.mk 文件的实现
## 概述
在 Android NDK 开发中，Android.mk 文件是一个非常重要的构建脚本文件，用于描述和管理项目中的编译和链接过程。有时候我们需要在一个 Android.mk 文件中引用其他的 Android.mk 文件，以便复用一些共享的代码或者配置。本文将详细介绍如何在 Android.mk 文件中实现引用其他.mk 文件的方
原创
2023-10-08 05:33:35
636阅读
MK检验前言一、MK趋势检验1. 定义2.代码3.结果二、MK突变检验1. 定义2.代码3.结果 前言在时间序列趋势分析中，Mann-Kendall检验是使用广泛的非参数检验方法，是一种定量的方式，被广泛应用于非正态分布的数据趋势分析中，而且该方法可以对数据整体趋势做分析，计算方便。一、MK趋势检验1. 定义
Mann-Kendall单调检验用于检测水文气象时间序列假设检验的趋势，但未指定趋势是
转载
2023-12-09 12:29:13
3120阅读
导入相关库：导入数据为了开始执行离群值测试，我们将导入一些每10分钟采样的平均风速数据说明：在任何数据集中， outlier都是与其他数据点不一致的基准点。 如果从特定分布采样的数据具有高概率，则异常值将不属于该分布。 如果特定点是异常值，则有各种测试用于测试，这是通过常态测试中使用的相同的空假设测试来完成的。Q测试Dixon的Q-Test用于帮助确定是否有证据表明某个点是一维数据集的异常值。 假
转载
2023-07-27 12:11:56
127阅读
官方定义：Android.mk 的语法用于将源文件分组为模块。 模块是静态库、共享库或独立可执行文件。 可在每个 Android.mk 文件中定义一个或多个模块，也可在多个模块中使用同一个源文件。 构建系统只会将共享库放入应用软件包。 此外，静态库可生成共享库。
除了封装库之外，构建系统还可为您处理各种其他详细信息。例如，您无需在 Android.mk 文件中列出标头文件或
转载
2023-08-06 18:43:34
150阅读
TNF拮抗剂的结构、功能与结核感染Robert S. Wallis.THE LANCET Infectious Diseases. 2008; 8:601–611.TNF在抗结核的肉芽肿结构的形成和维持中有重要作用 Furst DE, et al. Semin Arthritis Rheum. 2006;36:159-67. 肿瘤坏死因
在生物统计学中，MK检验（Mann-Kendall检验）是一种常用的非参数统计检验方法，主要用于判断时间序列数据的趋势性。在本文中，我们将探索如何使用 Python 实现 MK 突变检验的具体过程，并深入分析其背后的技术原理和应用场景。
## 背景描述
随着气候变化及其带来的生态影响，环境监测数据的趋势分析变得愈发重要。MK检验作为一种对时间序列数据进行趋势分析的有效工具，可以帮助研究者确定数
之前介绍了深度学习--多层感知机，然而，模型训练可能存在欠拟合或者过拟合现象。因此，今天首先介绍模型误差的概念，如何进行模型选择以及过拟合、欠拟合问题，然后用一个例子进行拟合实验，最后介绍过拟合的解决方案。
0
1模型误差
训练误差(training error)： 指模型在训练数据集上表现出的误差；泛化误差(generalization error)：&n
1、Theil-Sen Median方法又称为Sen斜率估计，是一种稳健的非参数统计的趋势计算方法。它通过考虑数据集中所有可能的点对，计算这些点对之间的斜率，并选择这些斜率的中位数来获取整体趋势的稳健估计。Theil-Sen方法提供了一种对数据趋势的鲁棒估计。与传统的最小二乘法相比，这使得Theil-Sen方法对于异常值或离群值更为鲁棒。Theil-Sen方法是确定性的，这意味着对于给定的数据集，
转载
2024-09-15 19:48:35
482阅读
之前介绍了深度学习--多层感知机，然而，模型训练可能存在欠拟合或者过拟合现象。因此，今天首先介绍模型误差的概念，如何进行模型选择以及过拟合、欠拟合问题，然后用一个例子进行拟合实验，最后介绍过拟合的解决方案。
0
1模型误差
训练误差(training error)： 指模型在训练数据集上表现出的误差；泛化误差(generalization error)：&n
