使用一个，在里面就可以用scope.row.xxxxx访问自己的东西了
1 | <el-table |
vuejs-http请求
我们可以用jquery+ajax进行http请求，但是已经用了vuejs，没必要专门搞一个jquery，所以就用vue-resource里面带着的http就行。
这里有说明：https://blog.csdn.net/vbirdbest/article/details/85290157
步骤：
- 安装：
npm install --save vue-resource - 加入：加上：
import VueResource from 'vue-resource';Vue.use(VueResource);
- 使用：直接用$http.get就能实现和ajax一样的功能了：
this.$http.get('/someUrl', [options]).then(successCallback, errorCallback);this.$http.post('/someUrl', [body], [options]).then(successCallback, errorCallback);
统计检验
假设检验
碰巧有机会回顾了一下统计学的东西，就把一些统计检验相关的放在这了～
第 3 章 假设检验 | 数理统计讲义远离 这里有一些假设检验的基本内容。
我们要做假设检验，是通过一系列样本来分析总体的分布。我们需要做的是提出原假设和备择假设，H0称为原假设/零假设(Null Hypothesis)，H1称为备选假设/对立假设/备择假设(Alternative Hypothesis)。
两类错误
第一类错误的概率是$\alpha$，原假设是真的但是我们拒绝了他。所以就用原假设作为条件，推出来拒绝的概率等于$\alpha$。
- 比如如果是正态分布的mu的检验，就看实际上得到的结果在两端的概率；如果是一个均匀分布，就看最大值是不是在范围内
参数估计
最大似然估计：概率最大，求导
矩估计：一阶（平均）、二阶（中心矩、原点矩）
卡方分布检验是否符合给定分布
拟合优度，用(O-E)^2/E的和来判断，自由度是种类数目-1-估算的参数个数，每一类最好不小于5
孟德尔豌豆的例子在https://bookdown.org/hezhijian/book/test.html#mendel
OLS最小二乘参数公式
$\hat\beta_1=\frac{\Sigma x y-\frac{1}{N} \Sigma x \Sigma y}{\Sigma x^{2}-\frac{1}{N}(\Sigma x)^{2}}$
$\hat\beta_0 = \bar y - \hat\beta_1 \bar x$
beta1标准差：$\sqrt{\frac{1}{\sum\left(x_{t}-\bar{x}\right)^{2}}}\times \sqrt{\frac{\sum \hat{u}_{t}^{2}}{T-2}}$
ANOVA
Oneway ANalysis Of VAriance
方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显著性检验。
https://zhuanlan.zhihu.com/p/57896471 这里的介绍很清楚，摘录一下：
虽然ANOVA叫做方差分析，但是他的目的是检验每个组的平均数是否相同
最后我们需要做的，就是对比组间均方（MSB）和组内均方（MSE）。最简单的对比方法就是把他们相除，也就是我们常说的F-statistics
ANOVA计算
这里有一个完整的计算过程的介绍：ANOVA算法介绍PDF
把里面的计算过程拿出来：
里面：
- k: 种类数；n：数据个数；
- $\mathrm{SSTr}=\sum_{i=1}^{k} n_{i}\left(\bar{x}_{i}-\overline{\bar{x}}\right)^{2}$
- $\begin{aligned} \mathrm{SSE} &=\sum_{j=1}^{n_{1}}\left(x_{1 j}-\bar{x}{1}\right)^{2}+\sum{j=1}^{n_{2}}\left(x_{2 j}-\bar{x}{2}\right)^{2}+\cdots+\sum{j=1}^{n_{k}}\left(x_{k j}-\bar{x}{k}\right)^{2} \ &=\left(n{1}-1\right) S_{1}^{2}+\left(n_{2}-1\right) S_{2}^{2}+\cdots\left(n_{k}-1\right) S_{k}^{2} \ &=\sum_{i=1}^{k}\left(n_{i}-1\right) S_{i}^{2} \end{aligned}$
- SST=SSTr+SSE, $\begin{aligned} \mathrm{SST} &=\sum_{\text {all obs. }}\left(x_{l}-\overline{\bar{x}}\right)^{2} \ &=\sum_{i=1}^{k} \sum_{j=1}^{n_{i}}\left(x_{i j}-\overline{\bar{x}}\right)^{2} \end{aligned}$
- $\mathrm{MSTr}=\frac{\mathrm{SSTr}}{k-1}$
- $\mathrm{MSE}=\frac{\mathrm{SSE}}{n-k}$
- $\begin{aligned} F &=\frac{\mathrm{MSTr}}{\mathrm{MSE}} \ &=\frac{\text { between }-\text { samples variation }}{\text { within }-\text { samples variation }} \end{aligned}$
- p-value用到的自由度是k-1和n-k
有一个计算器：计算器，里面F值算p值的在这里有一个专门计算器：F值到p值
Excel计算方法：excel中的anova
Python中的三角分布和梯形分布
三角分布是分布函数呈现三角形的分布。参数有最小值、最大值、众数。
下面是一个例子：
1 | import random |
numpy-isin-筛选所有在范围内的
可以进行逐个元素的判断，判断这些东西有没有在给定的数组中。
1 | >>> np.isin(np.array([1,2,3]), [1,2]) |
numpy的power和float_power的区别
float_power会强行转成float，但是原来如果是int64的话可能精度有损失
NumPy float_power（）函数与幂函数的区别在于这些整数，float16和float32被提升为float64的最小精度的float，因此结果始终是不精确的。对于负幂，float_power（）函数将返回良好的结果，而对于+ ve幂，很少会溢出。
random-randint和numpy中的同名函数不同
random.randint(0,0) 可以得到0
但是：
1 | >>> np.random.randint(0,0) |
知乎匿名与取消
在这个答案对应的【问题】中选择三个小圆点，之后就有这个选项了。
知乎为什么能把匿名回答改成实名却不能把实名回答改成匿名？ - 文西湖里的回答 - 知乎
https://www.zhihu.com/question/20945537/answer/140519834