numerical-20

CL-20数控车床可以存储多少个加工程序

103机，中国人自己制造的第一部通用数字电子计算机，在山东曲阜师范大学保存着。103机体积庞大，仅主机部分就有好几个大型机柜，占地达40平方米。它十分精密，在它的机体内有近四千个半导体锗二极管和八百个电子管。

数据对比：1958年，第一部国产电子计算机30次/秒；1964年，第一部完全自行研制计算机（119机）5万次/秒；2009年，“天河一号”超级计算机1.2千万亿次/秒；2016年，“神威·太湖之光”超级计算机峰值性能12.5亿亿次/秒。

扩展资料

发展历史：1956年，国家成立中科院计算技术研究所筹备委员会。在苏联的援助下，中国科研人员得到了M3型计算机的相关资料，并开始对计算机技术快速地消化吸收，国营738厂用时8个月，完成了计算机的制造工作。

1958年8月1日，该计算机完成了四条指令的运行，宣告中国人制造的第一架通用数字电子计算机的诞生。虽然起初该机的运算速度仅有每秒30次，但它也成为中国计算技术这门学科建立的标志。

参考资料来源：百度百科——103机。

　吉林磐石县红旗岭铜镍矿床

一般的CNC机床都可以存储9999个程序，但是有内存限制。假如程序都比较大，那有可能在6000个程序的时候就无法再储存。

数控车床（自动化机床）

数控车床、车削中心，是一种高精度、高效率的自动化机床。配备多工位刀塔或动力刀塔，机床就具有广泛的加工工艺性能，可加工直线圆柱、斜线圆柱、圆弧和各种螺纹、槽、蜗杆等复杂工件，具有直线插补、圆弧插补各种补偿功能，并在复杂零件的批量生产中发挥 了良好的经济效果。

“CNC”是英文Computerized Numerical Control（计算机数字化控制）的缩写。数控机床是按照事先编制好的加工程序，自动地对被加工零件进行加工。我们把零件的加工工艺路线、工艺参数、刀具的运动轨迹、位移量、切削参数(主轴转数、进给量、背吃刀量等)以及辅助功能(换刀、主轴正转、反转、切削液开、关等)，按照数控机床规定的指令代码及程序格式编写成加工程序单，再把这程序单中的内容记录在控制介质上(如穿孔纸带、磁带、磁盘、磁泡存储器)，然后输入到数控机床的数控装置中，从而指挥机床加工零件。

这种从零件图的分析到制成控制介质的全部过程叫数控程序的编制。数控机床与普通机床加工零件的区别在于数控机床是按照程序自动加工零件，而普通机床要由人来操作，我们只要改变控制机床动作的程序就可以达到加工不同零件的目的。因此，数控机床特别适用于加工小批量且形状复杂要求精度高的零件。

由于数控机床要按照程序来加工零件，编程人员编制好程序以后，输入到数控装置中来指挥机床工作。程序的输入是通过控制介质来的。

numerical expression has 20 elements怎么回事

一、大地构造单元

红旗岭基性-超基性岩体群产于张广才岭优地槽褶皱带南部边缘，与华北陆块北缘紧邻。有些地质学家（傅德彬，1994），认为该区属于加里东弧后盆地，受辉发河深断裂带的次一级NW向断裂控制。从红旗岭到呼兰镇一带，一系列基性-超基性小岩体群呈北西向带状分布。

二、矿区地质

（一）矿区地层

基性-超基性岩体的围岩为下古生界呼兰群黄营屯组（354Ma）的斜长角闪岩、黑云母斜长片麻岩、片岩夹大理岩透镜体。

（二）矿区构造

矿区褶皱和断裂构造均较发育，与基性-超基性岩体关系最为密切的是NE向张扭性辉发河断裂，岩体直接受控于主断裂的次级NW向压扭性断裂。基性-超基性岩浆的侵位具有多旋回、多期次的脉动特征。含矿岩体的K-Ar年龄为391～350Ma，属华力西早期。

（三）岩体地质

红旗岭基性-超基性岩群呈透镜状、纺锤状和脉状产出；侵位时代从加里东晚期到华力西早期，含矿岩体主要为华力西早期产物。岩石类型较为复杂，有辉长岩、辉石岩、橄榄岩、斜方辉石岩和角闪橄榄岩，它们均属正常岩石系列。大型硫化铜镍矿床产在红旗岭1号和7号岩体中。

现以红旗岭7号和1号含矿岩体为例，叙述其主要特征（表2-7）。

表2-7　红旗岭基性-超基性岩体类型及主要特征　Table 2-7　Main feature and type of Hongqiling basic-ultrabasic massif。

1.红旗岭7号含矿岩体

岩体位于矿区东南部，沿NW向压扭性断裂的次一级断裂侵入与围岩呈不整合。岩体底盘为黑云母片麻岩，顶盘为花岗质片麻岩、角闪岩与大理岩的互层带。岩体南段被第三纪砂砾岩层覆盖，而砂砾岩层与黑云母片麻岩呈不整合接触（图2-16）。岩体走向N30°～60°W，总长数百米，宽数十米，厚10～170m，由北西向南东逐渐变薄。其北西方向有两个与主岩体不相连的透镜状小岩体。在剖面上岩体呈岩墙状（图2-17），倾向NE，倾角75°～80°。在岩体中段（如4线）产状稍有变化，从上往下由陡变缓，在转折处有狭缩现象。在4线附近，岩体的上、下盘分别出现一个小的隐伏岩体，其产状与主岩体基本一致。

岩体的岩相组合及岩石特征：组成岩体的主要岩相为顽火辉石岩（局部强烈次闪石化为蚀变辉石岩）和少量苏长岩。前者是岩体的主体，占岩体总体积的96%。苏长岩多在岩体的边部，与围岩呈构造破碎接触，据其岩石化学特征及在岩体中的产状，可能是由顽火辉石岩同化围岩而形成的。蚀变辉石岩分布无明显的规律，多在岩体边部或苏长岩内侧。

在岩体中段靠近下盘部位，常见有辉橄岩岩脉，岩脉有时过渡为橄榄岩或橄榄辉石岩，但其成分主要仍为辉橄岩。它与两侧围岩（顽火辉石岩或蚀变辉石岩）接触界线清楚，接触带常有小破碎带相隔。

顽火辉石岩：暗绿色，中细粒，自形-半自形粒状结构。组成矿物主要为顽火辉石（En91，含量75%～80%），还有少量棕色角闪石、拉长石和单斜辉石。部分岩石蚀变强烈，主要为皂石化、次闪石化、滑石化和少量绢云母化。普遍含有较多的金属硫化物，往往构成海绵陨铁状或浸染状矿石。有时不规则状属硫化物充填于造岩矿物之间，并沿解理交代硅酸盐。

图2-16　红旗岭7号岩体地质图　Fig.2-16　Geological map of Hongqiling massif No.7（据607队，1972）（after Geological Team 607,1972）

1—黑云母片麻岩：2—角闪片岩；3—大理岩；4—砂砾岩；5—顽火辉石岩；6—蚀变辉石岩；7—苏长岩；8—边缘破碎带；9—岩体投影界线；10—岩相界线。

苏长岩：分布于顽火辉石岩同围岩接触带内侧，与前者呈渐变关系。呈暗灰—灰绿色，压碎结构、辉长结构。组成矿物主要有斜长石、斜方辉石、棕色角闪石和少量普通辉石。一般岩石蚀变较强，以斜方辉石的滑石化、次闪石化和拉长石的绢云母化为主。金属硫化物含量低（小于3%），多呈浸染状、斑点状，偶而呈细脉状。硫化物交代硅酸盐现象较常见。

辉橄岩（脉岩）：黑色，中粒半自形粒状结构和包含结构。矿物以橄榄石为主（70%），顽火辉石和棕色角闪石次之。金属硫化物分布均匀，含量约15%，局部达70%。蛇纹石化较强。

2.红旗岭1号含矿岩体

在平面上，1号岩体呈似纺锤形（图2-18），走向NW46°，长980m，宽150～280m，最大控制深度560m，地表出露面积0.2km2。在纵剖面上（图2-19）为一向西北侧伏的不对称歪盆状体，其埋深东南浅向西北变深，矿化在东南端埋藏较浅处最为富集。

1987年武殿英的研究进一步表明，1号岩体是同源含镍基性-基性岩浆三次侵入形成的复式岩体。笔者将其分为辉长岩、辉石岩-辉石橄榄岩与橄榄辉石岩三个侵入相。各岩相之间均为侵入接触关系。从而否定了已往单式岩体的认识。

各岩相特征如下：

辉长岩相：其体积占岩体的1%左右，主要分布在岩体上部近地表处，明显呈辉石橄榄岩相捕虏体产出。含少量乳滴状铜镍硫化物，尚未构成矿化。

辉石岩-辉石橄榄岩相：其体积占岩体的95%左右，是岩体的主体岩相。上部为辉石岩相，下部为辉石橄榄岩。二者体积比为6.3∶93.7。在岩相底部，硫化物富集成斑点状矿石，但其储量微不足道。

橄榄辉石岩相：在地表出露于岩体的东缘，在地下则位于岩体底部边缘。该岩相只占岩体体积的4%，但却是岩体的主要含矿岩相。由橄榄石（Fo 87%～20%），斜方辉石（主要是古铜辉石，含量4 0%～70%）及斜长石（An为58～60，含量5%～10%）组成。

本岩相中含硫化物平均在35%左右，而且有从上向下逐渐增多的趋势。相应的矿石构造由稠密浸染状变为海绵陨铁状次至角砾状。

在本岩相底部矿体中显流动构造，且其流层产状与岩体底板或与下伏围岩接触带产状一致，表明本岩相中的富矿体在形成过程中动力因素是主要的，而重力因素次之。

通过对30余个采自各岩相的岩石化学分析的数据计算（王恒升、白文吉等，1975）结果表明，含矿岩体属正常系列基性-超基性岩体（图2-20）。基性岩部分的m/f=0.5～2，属铁质基性岩；超基性岩部分的m/f=2～5.66，属铁质超基性岩。m/f=2～4者含矿性好，3～4者含矿最佳。

各岩相在图5上的投影点分别集中在上、中、下三个彼此不连续的孤立区内，反映三个岩相是岩浆三次侵入的产物，并非结晶分异关系。“上区”为辉长岩类，“中区”为含矿橄榄辉石岩类，“下区”为辉石橄榄岩类。中、下区含矿岩相在sfm面上的岩石投影矢量短而陡，在sacm面上的矢量则长而缓，它们分别表明岩石的暗色组分中富铁贫钙，浅色组分中富钙贫碱的岩石化学特点。实践表明，该岩化特点可作为岩体含矿性评价准则之一。

图2-17　红旗岭7号岩体4线地质剖面图　Fig.2-17　Geological profile of exploratory line 4 in Hongqiling massif No.7（据607队，1972）（after Geological Team 607.1972）

1—表土及冲积层；2—大理岩；3—角闪片岩；4—黑云母片麻岩；5—顽火辉石岩；6—蚀变辉石岩；7—苏长岩；8—破碎带；9-矿体氧化带。

三、矿床地质

（一）7号岩体矿床特征

岩体中有以下三类矿体：似板状矿体、脉状矿体、纯硫化物脉状矿体。

似板状矿体：7号岩体中金属硫化物分布很普遍，绝大部分构成工业矿体，因此，矿体形态、产状与岩体基本吻合。含矿岩石主要是顽火辉岩或蚀变辉岩，少量为苏长岩。矿石多为细海绵陨铁状构造，少量浸染状构造，局部为团块状构造。矿石的金属矿物组合主要为磁黄铁矿、镍黄铁矿（包括少量紫硫镍矿）及黄铜矿，其相对百分含量分别为54、33和13。矿石中w（Ni）/w（Cu）值3.3左右。

脉状矿体：主要产于辉橄岩脉中，呈脉状，产状基本与所赋存的岩脉一致，由海绵陨铁状矿石和斑点状矿石构成。其主要金属矿物组合亦为磁黄铁矿、镍黄铁矿和黄铜矿，它们的相对百分含量分别为56、39和5。镍品位较似板状矿体高，w（Ni）/w（Cu）值为5.2。

纯硫化物脉状矿体：产于顽火辉石岩与辉橄岩脉的接触破碎带中，三者界线清楚，呈突变关系。矿体全由致密块状矿石组成，其主要金属矿物亦为磁黄铁矿（58%）、镍黄铁矿（35%）和黄铜矿（7%）。其中有时见少量的橄榄石、顽火辉石和棕色角闪石。这种矿体沿走向和倾向变化不大，是稳定的脉状，延长大于延深。

7号岩体中共有3个矿体，其中1号主矿体长750m，厚14.5m，埋深150m。矿石可分成三种类型。

斜方辉石岩中浸染型：矿石构造主要为浸染状，局部致密块状；半自形-他形粒状结构；磁黄铁矿：镍黄铁矿：黄铜矿的比例为4.2∶2.5∶1；硫化物含量大约为9%;Ni平均含量1.71%;Cu平均含量0.52%。

图2-18　红旗岭1号含铜镍岩体地质图　Fig.2-18　Geologicalmap of Cu-Ni-bearing Hongqilingmassif No.1。

1—黑云母片麻岩；2—角闪片岩；3—辉长岩；4—斜方辉石岩；5—辉石橄榄岩；6—橄榄辉石岩；7—石英霏细斑岩脉；8—斜长岩脉；9—工业矿体；10—逆掩断层；11—破碎带；12—性质不明断层；13—相变界线。

图2-19　红旗岭1号含铜镍岩体纵剖面示意图　Fig.2-19　Longitudinal section of Cu-Ni-bearing Hongqil ingmassif No.1（图例同图2-18）

橄榄岩中绸密浸染型：矿石构造为海绵陨铁状和斑点状；矿石结构为粗晶结构；磁黄铁矿：镍黄铁矿：黄铜矿的比例为1.2∶7.8∶1；硫化物含量达20%;Ni平均含量3.43%;Cu平均含量为0.6 6%。

纯硫化物脉型：矿石构造为致密块状；矿石结构为半自形晶粒状；磁黄铁矿：镍黄铁矿：黄铜矿的比例为8.7:5∶1;Ni平均含量9.76%；铜品位0.63%。

（二）1号岩体矿床特征

不同侵入岩相中的矿化特征是不同的（傅德彬，1982）。

（1）橄榄辉石岩中的“底部似层状”矿体，赋存于岩体底部与边缘，其形状、产状的变化与所在岩相一致。矿体具流动构造，而且边缘矿体有向上规模变大的趋势（图2-19），尤为甚者东南端矿体露出地表厚70m，沿倾向向下延伸800m，平均垂深250m，向下渐趋尖灭。这些事实是难以用结晶重力分异理论解释的。矿体中主要矿石矿物是磁黄铁矿、镍黄铁矿与黄铜矿，三者含量分别为60%、30%、5%。此外尚有少量的黄铁矿、斑铜矿、砷镍矿等。矿石中w（Ni）∶w（Cu）=5.1∶1。按硫化物“矿物对”中硫的稳定同位素计算的成矿温度及包裹体测温结果，矿石的形成温度在382～400℃之间。按单辉石法地质温度计算得的含矿岩相形成温度1265℃。如果矿石的海绵陨铁结构能说明硫化物是在硅酸盐结晶前熔离的，那么，本含矿岩相中的硫化物是在高于1265℃（硅酸盐尚未结晶）时即与硅酸盐不混熔，熔离出来后又与硅酸盐熔浆一道或分别贯入地壳中成岩成矿。显然，硫化物是在硅酸盐结晶后相当长一段时间内（此时熔体呈晶粥状），在温度降到400℃左右时才结晶成矿的。

（2）辉石橄榄岩中的“上悬透镜状”与“底部似层状”矿体。前者产于岩相上部，形体不规整，以透镜状为主，矿条状、扁豆状与薄层状亦时有出现，一般规模小，厚度薄，延长短，连续性差。矿石多呈稀疏浸染状，品位低，变化大，选矿性不佳，工业意义不大。后者位于岩相底部，橄榄辉石岩界面之上，矿石与寄主岩相界线不清楚，为渐变过渡关系，矿石以稠密浸染者为特征，较富者偶呈海绵陨铁状构造，局部见有罕见的“回文”状似共结结构。研究表明，上、下两类矿体的矿石矿物大同小异，主要是磁黄铁矿、镍黄铁矿和黄铜矿。据统计，上悬矿体中三者含量分别为60%、35%、5%，彼此含量比为12∶7∶1，矿物粒度1～2mm，近矿蚀变极轻微。硫化物在岩相中的含量3%～6%，平均含Ni 0.22%～0.30%,Cu含量为0.05,w（Ni）∶w（Cu）=6∶1。而在底部矿体中黄铜矿有所增加，w（Ni）∶w（Cu）=2.3∶1。本岩相的成岩、成矿的温度分别为1500℃与500℃左右。由上述不难看出，与橄榄辉石岩底部矿体不同的是辉石橄榄岩中的矿体显然是就地结晶熔离作用形成的。换言之，熔浆经深部液态熔离而形成的硅酸盐熔体或岩浆，包含有熔离未尽的残留硫化物，在温度下降等因素影响下发生结晶熔离作用，初始结晶熔离出来的一部分硫化物由于重力效应沉降到岩相底部形成“底部矿体”，另一部分硫化物熔离较晚，未及下沉而冷凝，遂形成“上悬矿体”，此种成矿作用几乎没有矿化剂参与，形成温度较高。

图2-20　红旗岭区1号和7号含铜镍岩体岩石化学数值特征图解　Fig.2-20　Numerical characteristics diagram of lithochemistry of Cu-Ni-bearing Hongqilingmassif No.1and No.3（据王恒升、白文吉，1975）（after Wang Hengsheng et al.1975）

Ⅰ—1号岩体；1～4—辉长岩；5～13—含长橄榄辉石岩；14～24—含长辉石橄榄岩；Ⅱ—1号岩体的F1断层下盘样品：25～31—含长辉石橄榄岩；Ⅲ—7号岩体；32～35—混染苏长岩；34、36—斜方辉石岩。

（3）成岩后叠加脉状矿体。岩体的主要成岩成矿作用完成以后，尚有一些后期含矿脉岩及硫化物矿脉沿构造裂隙叠加于上述两种同生矿体上，使矿化更趋富集。该现象有力地证明了多期次矿浆成矿的特点。1号岩体中有2个主要矿体，主矿体长835m，宽9.5～65m，厚30～50m，埋深0～440m，以镍为主，铜较贫，铜平均品位为0.12%。

（三）矿床成因探讨

（1）传统的就地结晶熔离成矿理论认为矿体大小与母岩体规模有一定比例关系，基于这一理论，J.H.L.Vogt（1893）认为小岩体无大矿。而上述岩体中硫化物占1/3，尤其是7号岩体，整个岩体几乎百分之百都是矿。这一事实，传统成因理论是无法解释的。如此之多的镍，无论用基性-超基性岩中镍的平均含量抑或硫化物在其中的溶解度都是无法解释的，只有用含矿熔浆经深部液态熔离作用形成的富硫化物矿浆贯入成矿才能得以解释。

（2）红旗岭1号岩体中的矿体呈似层状产于岩体周边和近侧围岩中，尤其是含矿岩相（橄榄辉石岩相）与矿体均具产状与底部接触带一致的流动构造，说明在成岩成矿过程中动力作用是主要的，重力分异是次要的。特别是7号岩体是一岩墙，岩体即矿体，不存在任何重力分异现象，纯属典型的深部液态熔离矿浆贯入成因（武殿英，1987）。

（3）含矿岩相位于岩体中部，而不是最下部，位于最下部的是非主要含矿辉石橄榄岩，这一事实说明1号岩体下部的含矿橄榄辉石岩及其中矿石并非结晶重力分异产物，而是单独一次深部液态熔离的含硫化物矿浆贯入形成的。

（4）含矿橄榄辉石岩相粒度粗大（一般2～3mm，大者达7～8mm），富含金属硫化物（通常含15%～50%，最高可达70%），硫化物附近有热液蚀变。岩相含水5%～6%（高者达8%）。足见矿浆在形成和运移中挥发分起了很重要的作用，此乃矿浆成矿的显著特征之一。

（5）据资料，矿石中曾见一种可作为矿浆成矿的标型结构——橄榄石与硫化物的似共结结构，铬铁矿中尖晶石与硅酸盐间的似共结结构，堪为矿物从矿浆中晶出的标志（A.F.Koster,1967；Д.B.ПoдφepoB,1979）。

（6）岩体中δ34S变化为＋1.2‰～＋2.8‰，不同类型矿石间δ34S值彼此很接近，均近似于陨石中的硫同位素值。而且，其频率直方图塔式效应明显，故所述含矿岩体的成岩成矿物质来源于上地幔。

综上所述，红旗岭硫化铜镍矿床系上地幔原始含矿熔浆，经深部液态分异作用、熔离作用熔离出来的富硫化物矿浆贯入地壳上部形成的“矿浆贯入成因”矿床。其成矿作用可归纳为表2-8。表2-8表明，原始熔浆是母体，岩浆与矿浆是一对孪生兄弟（属同层次范围），矿石与岩石是其后裔。矿浆可划分为液态熔离矿浆、结晶熔离矿浆与晚期残余矿浆。熔浆不同演化阶段形成的矿浆，其成矿作用的方式、矿体规模等一系列特点均不相同。

表2-8　红旗岩铜镍矿成矿作用　Table 2-8　Metallogenesis of Hongqiling copper-njckel deposit。

数据分析员用python做数据分析是怎么回事，需要用到python中的那些内容，具体是怎么操作的?

只给出这个错误信息的话没有办法判断问题。只能按出现这条信息的概率来推测，最可能的是你的模型出现了相互冲突的约束，或者施加的运动相互冲突，或者你添加的运动副方向与你期望的方向有很小的偏差。。。。。都有可能出错。

当你确信自己的模型没有问题时，那么可能是求解器设置问题。有时候仿真误差设置过低过高也会出问题，试试把仿真积分格式、求解器类型也改一下，尝试不同的组合，或许可以成功。

显微镜和望远镜的制作方法和工作原理

最近，Analysis with Programming加入了Planet Python。我这里来分享一下如何通过Python来开始数据分析。具体内容如下：

数据导入

导入本地的或者web端的CSV文件；

数据变换；

数据统计描述；

假设检验

单样本t检验；

可视化；

创建自定义函数。

数据导入

这是很关键的一步，为了后续的分析我们首先需要导入数据。通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。在Python中，我们的操作如下：

import pandas as pd。

# Reading data locally。

df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')。

# Reading data from web。

data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"。

df = pd.read_csv(data_url)。

为了读取本地CSV文件，我们需要pandas这个数据分析库中的相应模块。其中的read_csv函数能够读取本地和web数据。

END

数据变换

既然在工作空间有了数据，接下来就是数据变换。统计学家和科学家们通常会在这一步移除分析中的非必要数据。我们先看看数据（下图）

对R语言程序员来说，上述操作等价于通过print(head(df))来打印数据的前6行，以及通过print(tail(df))来打印数据的后6行。当然Python中，默认打印是5行，而R则是6行。因此R的代码head(df, n = 10)，在Python中就是df.head(n = 10)，打印数据尾部也是同样道理。

请点击输入图片描述

在R语言中，数据列和行的名字通过colnames和rownames来分别进行提取。在Python中，我们则使用columns和index属性来提取，如下：

# Extracting column names。

print df.columns。

# OUTPUT

Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')。

# Extracting row names or the index。

print df.index

# OUTPUT

Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype='int64')。

数据转置使用T方法，

# Transpose data。

print df.T

# OUTPUT

0      1     2      3     4      5     6      7     8      9 。

Abra      1243   4158  1787  17152  1266   5576   927  21540  1039   5424 。

Apayao    2934   9235  1922  14501  2385   7452  1099  17038  1382  10588 。

Benguet    148   4287  1955   3536  2530    771  2796   2463  2592   1064 。

Ifugao    3300   8063  1074  19607  3315  13134  5134  14226  6842  13828 。

Kalinga  10553  35257  4544  31687  8520  28252  3106  36238  4973  40140 。

...       69     70     71     72     73     74     75     76     77 。

Abra     ...    12763   2470  59094   6209  13316   2505  60303   6311  13345 。

Apayao   ...    37625  19532  35126   6335  38613  20878  40065   6756  38902 。

Benguet  ...     2354   4045   5987   3530   2585   3519   7062   3561   2583 。

Ifugao   ...     9838  17125  18940  15560   7746  19737  19422  15910  11096 。

Kalinga  ...    65782  15279  52437  24385  66148  16513  61808  23349  68663 。

78

Abra      2623 。

Apayao   18264 。

Benguet   3745 。

Ifugao   16787 。

Kalinga  16900 。

Other transformations such as sort can be done using <code>sort</code> attribute. Now let's extract a specific column. In Python, we do it using either <code>iloc</code> or <code>ix</code> attributes, but <code>ix</code> is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have。

其他变换，例如排序就是用sort属性。现在我们提取特定的某列数据。Python中，可以使用iloc或者ix属性。但是我更喜欢用ix，因为它更稳定一些。假设我们需数据第一列的前5行，我们有：

print df.ix[:, 0].head() 。

# OUTPUT 0     1243 1     4158 2     1787 3    17152 4     1266 Name: Abra, dtype: int64。

顺便提一下，Python的索引是从0开始而非1。为了取出从11到20行的前3列数据，我们有。

print df.ix[10:20, 0:3]。

# OUTPUT

Abra  Apayao  Benguet。

10    981    1311     2560。

11  27366   15093     3039。

12   1100    1701     2382。

13   7212   11001     1088。

14   1048    1427     2847。

15  25679   15661     2942。

16   1055    2191     2119。

17   5437    6461      734。

18   1029    1183     2302。

19  23710   12222     2598。

20   1091    2343     2654。

上述命令相当于df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。

为了舍弃数据中的列，这里是列1(Apayao)和列2(Benguet)，我们使用drop属性，如下：

print df.drop(df.columns[[1, 2]], axis = 1).head()。

# OUTPUT

Abra  Ifugao  Kalinga。

0   1243    3300    10553。

1   4158    8063    35257。

2   1787    1074     4544。

3  17152   19607    31687。

4   1266    3315     8520。

axis 参数告诉函数到底舍弃列还是行。如果axis等于0，那么就舍弃行。

END

统计描述

下一步就是通过describe属性，对数据的统计特性进行描述：

print df.describe()。

# OUTPUT

Abra        Apayao      Benguet        Ifugao       Kalinga。

count     79.000000     79.000000    79.000000     79.000000     79.000000。

mean   12874.379747  16860.645570  3237.392405  12414.620253  30446.417722。

std    16746.466945  15448.153794  1588.536429   5034.282019  22245.707692。

min      927.000000    401.000000   148.000000   1074.000000   2346.000000。

25%     1524.000000   3435.500000  2328.000000   8205.000000   8601.500000。

50%     5790.000000  10588.000000  3202.000000  13044.000000  24494.000000。

75%    13330.500000  33289.000000  3918.500000  16099.500000  52510.500000。

max    60303.000000  54625.000000  8813.000000  21031.000000  68663.000000。

END

假设检验

Python有一个很好的统计推断包。那就是scipy里面的stats。ttest_1samp实现了单样本t检验。因此，如果我们想检验数据Abra列的稻谷产量均值，通过零假设，这里我们假定总体稻谷产量均值为15000，我们有：

from scipy import stats as ss。

# Perform one sample t-test using 1500 as the true mean。

print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)。

# OUTPUT

(-1.1281738488299586, 0.26270472069109496)。

返回下述值组成的元祖：

t : 浮点或数组类型t统计量。

prob : 浮点或数组类型two-tailed p-value 双侧概率值。

通过上面的输出，看到p值是0.267远大于α等于0.05，因此没有充分的证据说平均稻谷产量不是150000。将这个检验应用到所有的变量，同样假设均值为15000，我们有：

print ss.ttest_1samp(a = df, popmean = 15000)。

# OUTPUT

(array([ -1.12817385,   1.07053437, -65.81425599,  -4.564575  ,   6.17156198]),。

array([  2.62704721e-01,   2.87680340e-01,   4.15643528e-70,。

1.83764399e-05,   2.82461897e-08]))。

第一个数组是t统计量，第二个数组则是相应的p值。

END

可视化

Python中有许多可视化模块，最流行的当属matpalotlib库。稍加提及，我们也可选择bokeh和seaborn模块。之前的博文中，我已经说明了matplotlib库中的盒须图模块功能。

请点击输入图片描述

# Import the module for plotting。

import matplotlib.pyplot as plt。

plt.show(df.plot(kind = 'box'))。

现在，我们可以用pandas模块中集成R的ggplot主题来美化图表。要使用ggplot，我们只需要在上述代码中多加一行，

import matplotlib.pyplot as plt。

pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2。

df.plot(kind = 'box')。

这样我们就得到如下图表：

请点击输入图片描述

比matplotlib.pyplot主题简洁太多。但是在本文中，我更愿意引入seaborn模块，该模块是一个统计数据可视化库。因此我们有：

# Import the seaborn library。

import seaborn as sns。

# Do the boxplot。

plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))。

请点击输入图片描述

多性感的盒式图，继续往下看。

请点击输入图片描述

plt.show(sns.violinplot(df, widths = 0.5, color = "pastel"))。

请点击输入图片描述

plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))。

请点击输入图片描述

with sns.axes_style("white"):。

plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = "kde"))。

请点击输入图片描述

plt.show(sns.lmplot("Benguet", "Ifugao", df))。

END

创建自定义函数

在Python中，我们使用def函数来实现一个自定义函数。例如，如果我们要定义一个两数相加的函数，如下即可：

def add_2int(x, y):。

return x + y

print add_2int(2, 2)。

# OUTPUT

顺便说一下，Python中的缩进是很重要的。通过缩进来定义函数作用域，就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子：

产生10个正态分布样本，其中和。

基于95%的置信度，计算和 ;。

重复100次; 然后

计算出置信区间包含真实均值的百分比。

Python中，程序如下：

import numpy as np。

import scipy.stats as ss。

def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):。

m = np.zeros((rep, 4))。

for i in range(rep):。

norm = np.random.normal(loc = mu, scale = sigma, size = n)。

xbar = np.mean(norm)。

low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))。

up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))。

if (mu > low) & (mu < up):。

rem = 1

else:

rem = 0

m[i, :] = [xbar, low, up, rem]。

inside = np.sum(m[:, 3])。

per = inside / rep。

desc = "There are " + str(inside) + " confidence intervals that contain "。

"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"。

return {"Matrix": m, "Decision": desc}。

上述代码读起来很简单，但是循环的时候就很慢了。下面针对上述代码进行了改进，这多亏了 Python专家。

import numpy as np。

import scipy.stats as ss。

def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):。

scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))。

norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))。

xbar = norm.mean(1)。

low = xbar - scaled_crit。

up = xbar + scaled_crit。

rem = (mu > low) & (mu < up)。

m = np.c_[xbar, low, up, rem]。

inside = np.sum(m[:, 3])。

per = inside / rep。

desc = "There are " + str(inside) + " confidence intervals that contain "。

"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"。

return {"Matrix": m, "Decision": desc}。

原文地址：http://www.qianchusai.com/numerical-20.html