接下来我们讲解第二个重要的库 pandas。 pandas 的 核心对象是 data frame, 类似于 excel 里面的表格。 如果说我们拿到的数据是表格形式,那么 pandas 就是 很合适的一个工具,它特别适合处理实验数据文件、数据结果表以及附件数据等。在数目当中,我们经常要从 excel、 csv 或者是其他表格文件中提取数据进行筛选、统计和清洗,那么这些工作都非常适合用 pandas 来做。 数据清洗是建模前非常重要的一步。真实数据当中经常会出现缺失值、重复值等,那么这些缺失值会影响我们的结果,重复值又会干扰分析。所以我们可以用就是 pandas 里面的 fill n r 去填补缺失值,或者是用 fill n r 去删除含缺失值的各项记录,或者也可以用这些函数进行查找,或者是删除重复行,保证我们数据的质量。那么这一步不但重要,而且往往决定了我们后面建模结果是否可靠。 那么 pandas 还可以很方便地做筛选查询。我们可以用 i n log 去按位置选数据,也可以用 log 按列名或者是行标签进行数据的选举。如果说我们要筛选满足某些条件的样本,可以使用 word 筛选,也可以用 word 进行筛选,这些在我们的数目当中都非常的常见。 呃,比如说筛选出高杆方案,筛选出一类样本,或者筛选出满足约束条件的数据。 pannas 的 另一大优势是它非常适合做分组分析,例如我们想要按照类别统计每组的平均值,我们可以用 group by。 如果我们想要 excel 一 样做透视表,我们可以用这个函数,如果说有多张表,我们要把它拼接或者关联起来,也可以用 merge, 磅礴以及 melt 等函数进行一个实现,这是做数据分析时非常常用的一些能力。那么接下来我们看一下 pandas 的 一个代码演示, 那么要用 powers 的 话,首先还是得把这个包给导入进来,同样这点我们会用到浪派,所以把浪派也给导入进来了,那么在这我们是自己创建了一个临时的点 c 文件用于展示。呃,这地方导入 io io 的 话,是为了在下面这个地方将对应的这个字母串包装成一个 csv 文件 使用,然后相当于现在的 d f 就是 一个 csv 文件,那么这个地方的 d f 点 head 的 话,下面打印的是它前五行,那么看一下前五行到 e, v, a 这个地方结束没有问题。好,后面的话我们看一下 这个是我们那个 ds 的 微文件,然后根据它的尾部三行,那就是用 tail 这么一个函数,所以我们可以查看它的一个形状,就是点 shift, 然后查看所有的列名,就是点这一串,首先看到一个结尾,三行就长这样子,然后它的一个形状是六乘六, 所有的列名我们看一下 id, name, age, category, value, 嗯,就对,没有问题。那我们接下来往下看看它的数据概括以及统计摘要。 如果我们想看它的整体的一个信息,我们可以点 i, n, f, o 这一个函数,就可以查看它的一个数据概括,它会告诉我们它的一个类型以及函数啊范围,然后数据的一个列,大家可以告诉我们这个地方的每一行,每一列的一个名字等等。 然后如果说我们想要输出数字列,每一列的一个均值、标准差,最大的最小值等统计信息的话,我们可以用 describe 这么一个函数来进行一个统计,你看一看每一列这列的一个情况,这里的一个情况,这里的情况, 这里有均值、方差、标准差,然后最大最小值这些。另外我们可以对它进行数据清洗与处理。首先就是 缺失值的一个检测与处理,那我们判断它是否含缺失值,就是去用这个 is null, 如果它的返回值是处,那就要对照这个地方是缺失值,然后我们就要删除带有缺失值的,咱们就用 drop null 将它进行一个删除,那么删除后呢?会看一看就是长成了这样子。 如果是我们想要用填充的话,我们就需要知道用什么去填充,比如这地方用零去填充,就是点勾,那,然后括号里面写零,就用零去填充的一个却是值有这个样子,把这个地方的零给填充进来了。另外就是重复值的一个检测,首先我们去看它是否有重复值,对吧?这地方我们说的是去检测它的一个重复的行, 因为我们的 id 这两列,所以我们把这两列先给打印出来看一看, 看到一个情况是否有重复值,这两列只看这两列哈,如果是处的话,这个是有重复值,所以这个地方应该是有,那就是删除他的一个重复行的一个数据,就用的是这么一个函数。 接下来我们看数据行的选择与条件筛选,首先看所以与标签,那么提取前两行跟前三列,我们可以用 i o log 这个函数进行提取,然后因为是前两行所以行,这我们选的是零到二这个地方选的是零到三, 那就是对列标签进行选举,我们要选举所有行的 name 和 age 这两列的话,就可以用 log 这个对列进行选举。首先行因为是所有行嘛,所以是只写了个冒号,列的话是要求是 name 和 age 这两列,所以括号里面是写上 name 和 age, 我 们需要选择这两列。 接下来是条件查询和高阶筛选,有两种方法,第一种是使用布尔空空号型,所以我们这里筛选出位级大于三十的,这种是使用括号语法,然后我们这里就是点括号,用这么一个函数,然后这个括号里面写上它的一个条件,比如这个条件呢是 cm 大 于等于六万以及 category 等于 b, 然后对它进行筛选,可以看我们筛选出来的结果就是满足这两个条件的。接下来是频次统计,我们要统计它的类别,各个类别的一个分布频数,我们可以用 manual count 这么一个函数进行统计,可以看一下 a 出现单词, b 出现单词。 第四个是排序类型转换以及函数引射。首先我们可以向它按照特定的列进行一个排序,比如说我们按照 salary 列进行一个排序, 然后以及我们将排序的结果进行一个打印,如果说这个地方是 false 的 话,就表示的是降序,如果是 true 就 表示的是升序,这一点不要搞错了,那就可以将某一列的数据类型转化为其他的,比如说我们将 value 这一列,我们转化为了一个浮点型 float, 你 看一看, 接下来是函数衍射应用 apply, 允许我们将整列或者整行的数据一键套用成某一个计算公式。比如说我们可以将 value 这一列乘十再加五, 那么这个地方呢,是钢化,然后在上面定义了一个函数,这个函数是表示让这个值乘十再加五,这是一个简单的一个函数,然后我们将打印出来的册子来看一看,都是乘十再加五了。 这个是数据分组与聚合分析。 go, go by 呢,是可以按照某一列进行一个操作,比如说我们这地方 go by category 应该是按照 category 进行分组,然后再统计它的 menu 这个值的一个平均值,你看一看,就是因为按照 category 进行分组嘛,所以前面是 a o b, 然后我们的一个平均值, 那就是透视表,透视表的话用的是这样一个函数,类似于 excel 的 一个透视表,可以多维度看数据。有时候我们以 category 为行,所以以 venue 为总和,那么我们的值就是选择 venue, 标签就是我们的,所以嘛选的是 category。 然后这地方我们的目标是求和, 那是数据合并与拼接,与重数矩阵关联与拼接,可以看一下。首先我们创造两个小样板的 data frame, 这样子一个表格,我们对它进行一个拼接,类似于 x, k, l 的 join, 根据主键字段进行横向精准关联。比如说这里我们用 word 就 这么一下住,将它进行一个拼接,看一下拼接的一个效果 就是变成了 k 零, a 零, b 零,然后 k 一 这个地方它是怎么样呢?这个是 k 的 话,它们都有 k 这么一对,所以就把 k 这个给合并了。这个是用 context 进行一项机械的合并,一项机械的合并的话,它不会说去掉重复的,有啥就放啥,就有 k a、 k b、 k b, k b, k b 都这样子。 最后是宽表变长表这一个重塑。在数目或者时间血液分析当中呢,我们经常会用到多个年份或者这个的宽矩形,它上面不是算长的一个长矩形,你说这个地方 id 是 幺零,幺半角是一零,然后半角是 二十,那么它原来是长什么样呢?原来是长这样子这样创建的嘛,对吧?然后后面我们是要给它进行一个拉长,它这个地方是怎么个拉长法呢?是点 value 是 零 id, 然后 它的 universe 呢?是 menu 一 和 menu 二,然后 menu 是 这一个,然后 menu name 呢?是这个从最后拉长之后的点,它就长这样子。
粉丝4456获赞6.2万

当有图片需要分析的时候,我们可以请有病大神来帮忙,不管是关键词的共性网络的图呢,还是天眼调查的照片,他都可以进行深度的解析,而且分析的有模有样。 在视觉时代呢,解读图像也是一种非常重要的分析方法,以下呢,我们一起来进入实操的环节吧。怎么样使用牛逼硬呢?来去解读图像或者图片, 我们看到最下方这个地方,其实他有一个 add an email 的这样的一个图标,我们点开之后呢,就可以在这直接粘贴,或者你可以 upload from this device, 你可以上传一个,或者你直接拍照一个也行。好,因为我们这个上传完了哈,我们就不演示上传的过程了,比方说我上传了一张人类学天眼调查的图片, 我们可以看到呢,很多人在拍一个正在进行编制的老大爷,完了,他从人类学的角度,用人类学相关的理论视角对这幅图片进行深度的解析,然后他就会从文化相对主义来讲,比方说我们怎样 解读这个图片?从功能主义的角度怎么样来解读这个图片?从符号人类学这个角度,怎么样解读这个图片啊?虽然其实他对于人的这个穿着,他并没有解读的很正确,例如他说蓝色长袍,白色头巾,实际上呢,这个大爷并没有穿这个蓝色长袍,白色头巾, 但并不影响啊,我们看他的整个的解释的角度,其实还是给我们提供了很多的思考。再看第二幅,第二幅呢,我们做了一个农民工城市融入的这样一个关键词贡献的图,我们让他直接解读这个图,让他进行深度分析,这个时候我们可以看到呢,他 能够理解什么叫中心节点,节点的大小,节点的颜色包括边的粗细,边的颜色分别代表着什么。我们可以让他根据幼的关键词贡献的对幼的研究进行分类的梳理,让他体内几个大的研究维度,翻篇作业,进一步的文献综书工作,他能够帮你把幼的研究区分成农民工的社保、农民工的社会融入、农民工的城市化以及农民工的政 政策等等。其实做了一个相对来说它一定具有抽象程度的一个分类啊,所以并用的对于图片和图像的解读呢,应该还是有非常厉害的这样的一个 思维能力哈。当然我们也不能完全相信他的,我们可以把他的这种解读做一个基本的参考。我是斌哥,关注我,带你一起走进学术的 ai 世界。

民间转行电商运营,今天给大家分享如何通过打磨盘去查看竞品的成交人群,因为新品往往没有历史数据参考,盲目的测款测人群,学会的这一步就可以直接参照竞品做主 图,投放竞品的人群,降低试错成本,提高转化率。第一步还是要精准筛选竞品路径和方法,大家可以截图保存。找到竞品后,我们复制商品的 id, 进入打磨盘,找到人群管理,点击标签市场,在标签市场的搜索栏搜索关键词, 同行、宝贝行为创建、人群选择、画像透视。最后可以看到竞品人群这四个维度的特征。首先我们看画像分布,一定要多选 t g i 排序, t g i 的 全称是 target group index 页面,点击图标 t g i 解释,可以看到这样的解释图, 新手可能还是很难快速看懂,可以借助 ai 工具来做精密分析,找到数据分析报告式专家上传图标并发送指令,它会清晰拆解 t g i 排序的底层逻辑,同步配套的可式化图标辅助理解。人群占比仅能体现哪个年龄段的某特征占比,除以大盘,同特征占比乘以 百分之百,核心作用是判断哪类人群更偏好该商品,用后者能够排除大盘基数的干扰,避免被大人群数量迷惑。帮助我们发现真实的编号强度,找到竞品的核心人群,指导差异化的运营策略。同时它还基于给到了竞品数据整理规范的表格,提炼了数据结论与关键发现。弄懂核心的观测指标之后,可以自定勾选需要查看的人群标签,大家可以参考我常用的勾选组合 页面,会有多组表格数据,手动的逐条分析,效率偏低。报换电商运营专家发送指令,他会根据图片信息精准总结每个表格的含义,汇总生成整个式的核心数据看板。这比我直接在后台逐个分析表格强多了。基于竞品人群透视数据,从六个维度给我具体的运营策略,包含人群定位、广告投放内容、直播选品定价以及成 投放等等,甚至还有差异化的布局。每条策略都遵循数据佐证、核心洞察、落地实操动作的结构,要点清晰,重点突出,对比新手自主分析速度更快,人群判断也更加精准。现在 ai 发展的太快了,很多操作都更趋于智能化,坚守小白想要更快的进步,就要不断提升自己调用 ai 工具的能力,提升工作效率。今天讲到这,大家拜拜!

我叫唐孔毅,睿智科技创始人,公司的方向是用 ai 完全重构制造业质量管理。当前已经用 ai 完全重构了 fmea 飞马这个软件,从理论研究、知识库、提示词的书写、 智能体编排,到软件开发测试,全部都是我一个人完成的。首先说一下我的未来的两个判断,第一个是在 ai 时代,企业的核心资产不是具有某项专业技能的人,而是数据。 第二个是未来所有的工具类软件只有一个入口,就是 ai 对 话框。我过去近二十年左右都在制造业做质量管理相关的工作,有外企、合资企业、上市公司,也长期对供应商和客户进行质量辅导, 精通一些质量管理工具,尤其是 fmea 飞马。我的软件商标叫刘飞马, 只需要让工程师和 ai 对 话,就能完成专业的飞马分析,并联动生成相应的全流程质量管理文件。我把飞马的方法论、项目经验、判断的规则和输出标准沉淀成了专业的智能体, 在数十倍提速的同时,做到了更专业、更可控、更可追溯。大家有兴趣有需求的话呢,可以直接访问我们的官网,免注册登录使用。

领见转行电商运营,今天以家庭清洁类目为例,给大家分享运营每天、每周、每月都在看哪些数据指标,每日需要查看的指标是单个链接的访客数、 支付数、转化率、退款率和推广花费头等比等。刚开始转行不需要强迫自己懂函数写公式,可以直接下载数据表格,让 traffic sell 帮忙完成复杂的数据处理分析。比如我上传了数据云窥表,让他分析数据,总结问题款式,马上就给出了综合分析和报告。亏损产品、零成交广告和 d r o i 广告都念得清清楚楚。 布置表格、图片、 pdf、 word、 网页、聊天记录等等,都能直接接入自动整理。每周需要观测的是数据的变化,比如这个链接的递增节奏,如何,推广花费变化趋势,可以上传一段数据,它就会把表格转化为动态的数据看板,不管是分析数据还是周报汇报都能用到。 每月需要重点关注的就是资源分配,看赚没赚钱,推广花在哪个品上更值。重点计算这两个数据,第一个是净利润,第二个是利润 roi。 阅读汇报时,我们把核心数据上传输入需求,不一会就有了一套逻辑清晰、排版讲究的 ppt, 打工人就需要这种高效率工具,再也不用加班了,今天就分享到这,大家拜拜!

清华大学价值三万的拍粉课程,如何逼自己七天学完?二零二六完整版小白必看!警告!此视频耗时三个月,共计五十二小时,将带你一口气从零学会拍粉。此教程专为小白量身打造全网最易懂、最成体系的课程,你将学会以下技术基础,语法、 数据结构、数据分析、文件与异常维度控制、函数与模块等。最 后呢,我还为大家准备了一份小礼物,课程中涉及的所有素材,包括 python 环境搭建资料包、从零到一的学习计划表、大量的学习资源,电子书课件等。只要你是我的粉丝,留下三个一,即可全部白嫖带走。 欢迎来到 python 基础课堂,本节课我们要讲的内容就是函数,那我们在正式开始学习函数之前,我们先来看到一段需求,现在 要根据小孩的年龄来决定讲故事的次数。 如果小孩年龄在零到三岁之间, 我们重复讲述故事三次,那如果小孩年龄在三到五岁之间, 就只讲述故事一次。用代码实现一下,我们先定一个变量,接收年龄,方便后续的判断。 来一个 age 等于 int input, 这里面是请输入小孩年龄, 那对输入的年龄进行判断。如果这个年龄它大于等于零岁, 但是呢,小于等于三岁。在零到三之间,我们重复讲述故事三次。重复三次就可以放在一个负循环当中, for i in range 三, 此时输出我们故事内容。从前有座山,山里有座庙, 庙里有个老和尚, 还有一个小和尚, 老和尚再给小和尚讲故事,故事的内容是 然后循环,从穷做山,山流做庙。如果小孩年龄在零到三岁,我们是循环三次讲三次,那如果小孩年龄在三到五岁,我们可以写一个 l f 三小于 h 小 于等于五,此时我们只讲述故事一次,那也就不需要将它放进循环当中,直接进行输出就好。现在来运行, 假如小孩年龄是两岁,他在零到三岁之间,我们就会重复故事三次, 那如果小孩的年龄他是四岁,在我们三到五岁之间,我们就只会讲述故事一次, 那在这一部分代码当中,对于故事的内容我们出现了重复,这导致了代码涌于,也影响了代码的可维护性。比如说我现在我要进行修改,我想把某一句删掉, 那我需要给每一段这个代码,这个故事代码都进行修改, 它增加了维护的成本,那我现在要给它恢复,我就需要每一段都给它重新进行恢复。为了优化这一点,我们可以将故事内容封装成一个函数,然后呢,在需要讲述故事的地方去调用这个函数。 对于函数简单的理解就是一堆能够完成某项工作的代码,我们是可以重复使用的。现在我们来看一下函数它的含 义,函数呢就是封装了实现某项功能的代码块,它们允许在程序中任何需要时刻被调用执行,并且是支持重复利用的, 那这是我们函数的含义。再来看到它的作用, 我们使用函数是不是就能够显著的提升编程的效率与代码的附用性?因为我们函数它是支持重复利用,如果我们需要修改的话,也只需要在函数里修改一次就好了, 通过提炼重复代码片段为独立函数程序呢,在需要的时候,只需要简单的调用,不仅减少了代码领域,还使整体代码结构更加清晰简洁。那我们也给他拿过去,这是他的作用, 既然知道了函数,他要怎么写?我们来看语法结构 函数呢?一般是 d、 e、 f 关键字开头后面跟上函数名,函数名后面有一对小括号,还有一个冒号。下面我们缩进 这里,写上函数的描述信息, 再在下面写上函数体,这就是一个函数它的基本结构。我们需要注意,函数的命名应该遵循标识符的规定, 我们要尽量做到建明之意,方便后续的编辑理解和调用。现在我们知道它的语法结构之后,来定一个函数,看一下 关键字, d、 e、 f 开头后面是函数名。假如我现在要写一个打招呼的函数,那就是 say hello, 跟上括号,这是一个打招呼的函数,我们可以把它的函数描述信息写在这里, 它的功能呢就是输出。 你好,再说出一句,很高兴认识你, 但是如果现在我们运行的话,它是不会有任何输出,因为我们的函数它还没有调用。函数如何调用呢?把格式写在这里, 函数调用,它是通过函数名加上一对小括号的方式来进行调用。现在我们来调用函数,看一下 它的名字是不是叫 say hello, 后面是加上一对小括号,那这就对它进行了调用, 此时它才会执行里面的代码。我们函数如果没有调用的话,那它就不会执行,并且我们的函数它是可以被反复调用的,也就是调用几次,执行几次。我们来看一下,假如我这里调用三次的话, 它这里面代码是不是就执行了三次。并且我们需要注意,在 python 当中,代码的顺序是从上到下执行的,因此我们在调用一个函数的时候,必须要确保你这个函数已经被定义。如果你尝试在函数调用之前, 定义之前就调用它的话,比如说我在定义这个函数之前写一个函数调用,那 python 解释器它是会抛出异常, 告诉我们这个 say hello, 它在这个位置还没有被定义,会出现一个 name arrow。 所以 为了确保代码能够正确的执行,我们应该遵循先定义函数后调用的规则。 那现在知道函数怎么写之后,我们来利用函数优化一下前面的讲故事代码还是同样的需求,那我们定义年,定义变量接收年龄还是固定的,所以我们把它也给移下来。 现在呢,依然是对我们的年龄进行判断,如果它这个年龄在零到三岁之间, 此时我们就不直接说出故事内容,而是将故事内容给它包装到一个函数当中,并且呢,调用这个函数, 所以我们先定一个函数,它是讲故事 tell story, 我 们可以将故事的内容放在函数当中。 好,那现在在这个讲故事的函数当中已经封装了讲故事的功能,所以我们需要讲故事的时候,是不是直接调用就可以了?这里还需要重复三次,依然是使用否,循环否? in range 三, 如果小孩的年龄在三到五岁, if 三小于,这里是 l if 小 于我们这个 age, 小 于等于五, 那此时我们就直接调用函数,它只用输出一次就好,此时来运行一下,如果小孩年龄在两岁,这里是不是讲述故事三次? 如果小孩年龄在四岁,只讲述故事一次,他完成了和我们上面同样的功能,但是呢,解决了代码领域的问题,这就是我们函数。接下来看到本节课的第二个部分,返回值。 前面我们创建的函数大多只是执行了某些操作,完成之后并没有直接提供结果给调用者。但是在实际的编程当中, 我们经常需要函数在完成某些任务之后,能够将它的结果反馈给调用者。正比如在工作中,你是需要在任务结束之后向主管报告成果, 那为了实现这一点,我们就可以为函数设置返回值。通过返回值,函数能够将它的处理结果直接传递给调用它的程序,允许调用者根据这个结果进行后续的处理或者决策,这种方式就极大的增强了程序的灵活性和可扩展性。 那我们返回值它的含义就是在函数执行完成之后,向调用者提供的最终处理结果或者数据。 看一下返回值。我们返回值它的语法格式是什么样的呢?它是 return 开头,后面跟上你要返回的返回值, 那我们返回值它有什么作用?第一点是向调用者提供最终处理结果或者数据, 我们调用者呢,根据这个结果就可以一遍后续的操作或者说逻辑判断。 现在来看一下,定一个函数,定一个 add 函数, 它这里面接收两个值,一个 n 一 等于 int input, 那 这里面就是请输入第一个数, 接下来再写一个 n 二,它是请输入第二个数, 我们返回 n 一 加 n 二的结果。 现在调用这个函数,并且接收返回值, 用一个变量来接收它的返回值,我们定一个变量 result, 等于调用这个函数,那此时我们输出一下这个 result, 输入第一个数二,输入第二个数三,它返回值里面的结果就会是 n 一 加 n 二等于五,我们接收到的 result 里面就是五, 那接收了这个 result 之后,我们是可以使用它进行逻辑判断。 比如说 if 这个 result 它大于十的话,我们就可以输出两数之和大于十, 那如果它是其他情况,就可以写个 else, 输出两数之和小于等于十。 现在来运行看一下。假如输入第一个数是五,第二个数是六,那他来这里进行判断,五加六等于十一,两数之和大于十, 如果这里是三和四,此时它运行出来的结果就是返回一个七七来进行判断,两数之和小于等于十。除了进行判断之外,我们还可以直接将结果用于其他计算, 比如说现在再来定一个变量,接收我们这个结果,他进行计算之后的结果,我们让他再加上三输出处理之后的结果, 那输入第一个数等于二,输入第二个数呢等于四,此时它们两个相加是等于六,我们将这个返回值再加上三,也就是六加三等于九,这是返回值的第一个作用, 它的第二个作用类似于循环当中的 break, 当你在函数当中遇到 return 语句时, 我们表示这个函数立即返回它后面的值,返回我们 return 后面的值,表示函数立即返回其后的值, 并且呢,结束函数执行, 这意味着什么?是不是意味着我们 return 语句之后的任何代码都不会执行了,所以它不再执行 return 语句之后的任何代码? 现在来演示一下,定一个函数 function, 它这个里面有一个输出一二三,然后返回值四五六。 我们现在要调用函数, 并且输出一下它,那我们定一个变量来接收, 会发现此时它执行了输出一二三这个语句,并且输出了返回值四五六。那如果我将 print 一 二三放在 return 之后, 此时会发现它只有一个四五六,并且呢,这个四五六是它输出返回值的结果。 我们这个一二三并没有被执行,因为它遇到 return 的 时候,它马上返回后面的四五六,并且不再执行 return 后的语句。因此我们在写代码的时候,一定要注意我们后面我们 return 语句后面它的代码到底需不需要执行,会不会执行, 这是我们需要注意的点,那不是所有的 python 函数都必须要显示的返回一个值。 如果函数当中没有 return 语句,或者 return 语句后面没有跟上任何值的话,那么这个函数它会隐式的返回呢?也就是一个空值。我们来看一下返回值的几种情况。 返回值的三种情况, 第一种,没有任何返回值,没有返回值。 如果一个函数当中没有使用 return 语句显示的返回一个值,或者你放了一个 return 在 后面,但是 return 后面没有跟上任何值,只有一个 return 关键字的话,这个函数就会在结束的时候显示的返回 non 作为结果。我们来看一下, 像我们之前说的打招呼 hello, 它里面只有一个输出,你好呀,那是不是就没有返回值?现在定一个变量接收它, 并且呢?输出一下这个接收到的变量,接受了返回值的变量,会发现它这里面是一个 non, 我 们是默认返回 non, 那假如它有一个 return, 但是这个 return 后面没有跟任何东西,我们也是不会报错,它的返回值依然是一个浪, 这就是没有返回值的结果。接下来再来看到返回单个值, 如果一个函数它有一个返回值,那么它会执行到 return 语句的时候,将这个值返回给调用者。 单个值它是将该值返回给调用者。 现在定义一个函数,比如说还是我们打招呼函数, 我们这里面输出一个 hello, 在 返回值里放上你要给谁打招呼 return, return 一个人名,我们叫小 a, 那 此时调用函数,并且接收返回值 result, 等于 say hello, 输出一下这个接收到的 result, 会发现它返回的值就是这个小 a。 如果函数只有一个返回值,那么它就会将这个值返回给调用者。除了零个和一个之外,我们还会返回多个值, 那返回多个值,它实际上是返回一个原组, 当我们函数需要返回多个值的时候, i 省允许你以原组的形式返回这些值。现在还是定一个打招呼函数 say hello, 那它这里面输出 hello, 返回一串人名。我们这里有好几个人,比如说要返回小 a, 使用逗号隔开代表两个值了,小 b, 然后呢?小 c, 我 们返回三个人名,另一个变量接收返回值, 并且说出我们这个变量 会发现它得到的结果会是一个圆组。 尽管语法上看起来它像是返回了多个多独立的值,但是呢,实际上函数是通过返回一个包含这些值的圆组来实现的,返回多个值。

第一次这么干的时候,我头皮发麻,一堆乱数据能直接问出答案,太爽了!以前一看数据就脑子发木,现在直接问 ai 就 完事了,三步就能完成。打开非说多维表格,店铺数据本来就在表里,点击旁边的 ai, 让他展示客户区域贡献占比、毛利率和客单价,指出谁在拉动增长,哪个产品的毛利率更健康。再结合各季度的成交环比增数给出具体的分析。 仅需短短几秒,就能多维度梳理核心数据,并以清晰的表格格式化的呈现,各季度成交额的环比增速一目了然。同时给出了完整详实的数据分析逻辑与推导过程。别的 ai 能帮我干活,但非 说你的能直接出活,要用其他 ai 帮我分析的话,每次数据搬来搬去的把我折腾死了。现在你看,直接在表格里面点击右上角小星星唤醒侧边栏,选择数据分析,就能更专业的分析数据,真是太爽了!今天就分享到这,拜拜!

今天我们来分享一个开学季的产品,因为在美国站那边,开学季马上就要来了,可能会有一个很大的流量, 然后我们看一下,这是一个铅笔削笔机,然后搜索词呢是这个今天我们推的款,并不是这个款,是这个是老款的,我们看这个新款,新款的上架六天就已经开始出单了,还同样是 f b m, 像老款的话,你不要看它是 两美金一美金的,你就不敢做了,他其实还有配送费呢,二十美金的配送费加一起也是二十多美金,但是这种老款的话评论不是很好,才四星,一般来说低于四星的话都属于差评了,他属于一个临界点。 然后像新款刚上架,上架六天就已经开始出单,其实表现还可以,然后这些都是新款数据的表现,前台有很多的 fba 的, 但是款式确实非常多。像新款的表现只有一个链接表现出来了,这是今天刚上的,还没有显示出来。 然后可以尝试一下做 bm, 因为你如果不备货的话,就不用担心太多,这个链接也是刚上的,然后他给自己做了四个置评, 是同一个卖家,可能你得观察一下,看他过几天,因为现在还不是季节,得下个月才正式开始进入开学季。 然后这些品呢,全部来自于咱们的选品工具,今天一共是一千三百多个品,然后今天不是 最近是万圣节比较多啊,但是我看选品工具已经有人发这个圣诞节的,而且下边 我们都可以看一下,简单浏览一下哈。然后平常你看的一些博主在抖音上发的那些爆品,咱们这选品工具都有,都能给你抓到,而且不会漏。像这个骷髅人, 然后这种万圣节的这种装饰,包括这个玩具、宠物玩具,万圣节的最近卖的也比较也比较不错。 还有这个出单也还可以,这边都是搜索词,你如果感兴趣都可以看。然后还有这两天,我看很多博主推的这个这个装饰 都有,不会去漏掉某一个产品。还有这个我相信大家都在抖音上见到过这些品,有了这个工具呢,你就不再需要去挨个的去翻,人家推什么产品,每天都会第一时间抓到。

今天我们用美联储的工作论文来聊聊为什么美联储缩短了政策声明。论文的作者是纽约联储主席 f o m c。 的 二把手。 视频的后半段,我用这次的数据顺便做了一下计量,看一下对 a 股到底意味着什么。过时,这次取消了点政图,不再提供未来利率的观点了。很多人不理解为什么要这样,但是我们要知道,点政图只是一个预期管理工具,这工具不是美联储开天辟地就有的。在格林斯潘那个年代, 主席讲话已不让你听懂文明格林斯潘是谁啊?沃什的偶像,他甚至有句名言,如果你以为听懂了我的意思,那你一定是误会了,这说话方式欠不欠揍?但到了零八年,金融危机改变了一切,利率已经到零了,传统的货币政策没法用,只能想办法使用其他武器, 这个武器就是前瞻指引,说人话就是想办法要管理市场对利率的预期。我在经济学流派这个系列里介绍过这个流派,那么为什么我们要管理利率的预期呢?这里就要补一个经济学的热知识,经济真正运转靠的是长短利率。 企业借钱只看三到五年期,买房背的是三十年的房贷,政府发债定的是十年的国债,而这些利率美联储是管不了的。美联储能决定的只是联邦基金利率,也就是短期的利率,商业银行之间相互借贷时收的利率,它是整个美国利率体系的毛。 所以美联储干的事叫做管理短期利率,去撬动长短的利率预期。然后美联储就惊喜的发现,原来动动嘴皮子,不用加息就能影响经济。所以波兰克在二零一二年正式推出了点阵图, 但是工具不会一直有效。威廉姆斯他今年的论文就发现,美联储说不说话,给不给点阵图意义已经不大了。那么这里再补充一个小知识,如果大家觉得学术论文和投资市场太遥远,请你一定要看看美联储的工作论文。 那么这篇研究很简单,它用到了一个概念,叫货币政策意外。每次 f o m c 开完会议律期货的价格会变,那么这个指标就是衡量市场没料到的这个部分。 第一个问题叫这个意外能不能被市场提前预测?答案是,能。接下来美联储就想知道,那市场究竟是怎么样去预测这个利率的意外程度的呢? 美联储内部有两派,一派说是市场会观察美联储开会的措辞语气,另一派说是市场在学美联储定利率的规律,也就是这种经济学的知识。例如一下,一派觉得你开会讲话讲太多了,让市场能预测我的行为。 另一派就觉得,哎呀,这是市场根据宏观数据得出的结论,多一句话少一句话没有关系。作者就想了一个绝招来区分,专门找美联储不开会的时候来跑预测模型。如果这个时候利率意外还能被预测,那就不是第一派说的这回事了。 所以他们就选了 c 拍数据发布日和非农就业数据发布日,然后发现市场照样会更新对未来利率的预测,那么结论就很清晰了。可预测性是来自信息本身,宏观数据一公布,利率该往哪里走?聪明的市场自己就明白了, 这篇论文其实就是一个理论底气,既然市场是靠宏观数据推出的利率走向,那点赞图在不在,根本就不影响市场的定价能力。点赞图的存在还会让市场误以为美联储给了承诺,反而降低了它的政策灵活性。很多人看到这就会说啊,就这,这就是结论。 其实我们要看论文里没有直接点出来的点,也就是这个研究的原认知。这篇研究真正看的是到底哪些信息市场是没有完全消化的。 在经济学的理论里,如果市场是百分百透明的,那这些数据和结论就是随机的数据,不应该有预测能力。 所以说白了,市场的有效期透明度不够,对普通人和机构来说,依旧存在信息差和套利空间。这篇论文就恰好公开了全部的数据啊,所以我就把 a 股黄金、石油全部合并进原数据,跑了一下模型,看看这个利率的意外冲击到底是怎么样影响到我们的。 mp 一 就是美联储的意外指数正向就代表意外缩紧,负向就是意外宽松等于零,就是没有意外,只有意外宽松,对我们的资产整体是一样的。在控制了当天的美股涨跌和美元指数波动之后,这个利率意外每上升一个七点, a 股在这件事情之后平均是会下跌一点一七个百分点。这个指标呢,甚至能单独解释 a 股未来一个月走势的三分之一。在金融预测里,这个是个相当高的数字了,那么翻译一下,就是出现一次典型的意外紧缩会议, a 股在同济学上未来一个月跌的, 我一开始觉得传导链应该是美元处意外收紧,美元指数涨,人民币贬值, a 股跌。所以我又做了一个渠道分析,结果发现这个传导是不存在的。换句话说, 二零二二年后美联储的利率意外已经不太影响美元指数了,美元在 f o m c 当天的波动,更多是反映在主席这张嘴说了啥,而不是利率会议本身。 这个冲击意外呢,对 a 股是直接效应,走的是风险偏好这条路,意外收紧让全球投资者集体后缩, a 股也一样。那么以上是历史数据的结论,作为投资建议,旧地图是找不到新大陆的,新的模式只能等待新的数据来验证。那么今天的分享就到这,我们下期见。


两军对垒,那双方的战损如果都是一千人的话,那看起来损失是一样的,但是甲方阵亡一百人,乙方阵亡三百人,那显然是乙方吃了亏,对吧?那一千这个战损不能够全面的反映问题, 那临床试验的符合一级终点和这个情况很类似,你仅仅去对比两个组别的两个百分比,他是有问题的。那今天呢?我们用新英格兰医学杂志发表的两篇论文作为案例,来学习如何处理这个情况。 第一个案例,新英格兰医学杂志二零二五年发表的一篇论文,论文的标题是 cardiovascular outcomes with tear septide versus duhalogen in type 2 diabetes。 那 这是一个非列校设计的随机对照,临床试验研究对象,二型糖尿病患者干预替尔铂肽 对照杜拉鲁泰这两个,这个降糖药物一击中点。原文描述是这样的哈, a compass of death from cardiovascular causes 心血管病,心血管死亡脑啡肽 infection 心梗脑 stroke 祖宗。 那核心的结果是这样, a primary endpoint event occurred in eight hundred and one patients。 这是百分之十二点二 in the teslapti group and eight hundred sixty two。 括号百分之十一点一 in the dula glutty group has a ratio 零点九二。这个百分之九十五,自行区间零点八三到一点零一, p 等于零点零零三。 for nonfiority 就是 飞跃检验的 p 值等于零点零零三, 那么这个一级终点就是这个符合的事件的终点。对照组十三点一,干预组十二点二。这风险比零点九二飞跃检验显然是证明了飞跃,对吧?好结论, terseptide was non inferior to dolla glucite with respect to a composite of death from cardiovascular causes mal cardiovascular or stroke。 那 这个结论本身没有任何问题,但是符合终点里这三件具体事情,心血管死亡、心梗和祖宗毕竟有很大的差别,对吧?你加在一块儿, 两个组别的比例差不多,那么做出来检验,和杜拉鲁泰相比,特尔札泰是飞越的,但是 心血管死亡、心梗和卒中这三件事情的比例到底怎么样?是不是哪一个组别更高呢?完全是有可能的。 ok, 也就是可能出现 今天我们栏目开头两军对垒的那个情况。好,那下面我们来看解决方案。这个解决方案,那我用一篇也在新英格兰医学杂志上发表的二,更早一些哈,二零二三年发表的一篇论文和大家来去共享。 论文标题, transcastere repair for patients with tricuspid regurgitation 经导管修复治疗三尖瓣返流, 那这是一个随机对照的临床实验,研究对象是严重三尖瓣返流的患者,干预 是进导管修复对照保守治疗、内科治疗。这个一级终点呢?它也是一个符合的一级终点。那么具体的内容包括一年内的全因死亡, 因心衰、住院次数和生活质量提高。生活质量提高是这个 kccq 评分至少改善十五分,这三个具体足分。 那下面我们看一下原文的描述哈。 the primary endpoint was a hierarchical composite that included death from any cause or tricuspid valve surgery hospitalization for heart failure and improvement of quality of life as measured by at the one year follow up, ok 三件事情,那眼尖的朋友可能会注意到, 符合重点, compactor 这个单字前面有一个 hieroglyph 这样一个字眼, ok。 那 么这个字眼的含义是这样的,是病死, 心衰,住院次数和生活质量提高。这三个结局他是有等级划分的,他是不一样比重的,并且第一重要心衰的住院,其次 生活质量是否提高,再其次, ok。 那 实验的研究结果和新结果是这样, a total of three fifty patients with one seventy patients assigned to the tier group。 这个 tier group 就是 引导管修复 and one seventy five to the control group。 讲清楚,总共入组三百五十个病人,两个组别分别是一百七十五人 on the basis of eleven thousand three forty eight winds for the tier group seven thousand six forty three winds for the control group and eleven thousand six thirty four ties between the two groups the wind ratio for the primary endpoint was one point four eight。 后面给出百分之九十五自行区间和 p 值等于零点零二。好了,这里一个关键概念, win ratio 赢的比例怎么来的呢?这个具体操作是这样的,很简单,其实 干预组一百七十五个病人,对照组一百七十五个病人,这两个组别每一个病人作对厮杀,两两对比,那么一百七十五乘以一百七十五,那总共就是对比了 三万零六百二十五次乘一下就可以了。那每一次的两两对比是怎么比的呢? 先去比病死,比出了结果,如果是一边赢了,对比结束,记录在如果没比出结果这平局的话,那就再去比心衰住院,如果比出了结果,某一方赢了, 对比结束,记住在如果还是平局的话,再去比生活质量, ok, 你 生活质量赢了,输了,或者还是平的,这就是刚才我们讲的太两个组三个东西都没有差别,那就是平局, 两个组别哪一个疗效并更好?用这个温瑞首赢的比例作为标准去评判 win ratio 这个办法呢,它还有一个非常有用的优点,它可以把不同类别的重点变量组合在一起。那么在这个具体的例子里面的话,病死用的是 随机入组,这个时间到病死的时间是一个 time to event 这样的一个变量, 因为心衰住院是几次?是没有,还是一次、两次?三次?那么生活质量改善它是一个二分类的变量,对吧?有改善还是没有改善?那么三个不同类别的变量,如果你 不用温 ratio 这个概念的话,你就没法处理,当然也不是没法处理了,你可以把这个这个病死 或者是这个因心衰住院,把他人为的改成二分变量,对吧?好,那总结一下,这个温瑞手可以干什么事呢?他做的事情就是把三件事情,就是在我们医生或者是病人都 觉得重要的这个变量,但是重要不同,重要程度不同的这个变量,把它全部纳入你的分析,并自然是最重要,先分析,然后是新出来,出来再后是生活质量改善,这样 就能够全面的反映两个组别的疗效,哪一个更好?谢谢大家。