置 信 区 间 一 文 读 懂
专题04文言文阅读-2023一模分类汇编(江西地区)(含解析)
专题04 文言文阅读-2023一模分类汇编（江西地区）阅读下面的文言文，完成下面小题。
黄鲁直德性夙成黄鲁直得洪州解头①，赴省试。
公与乔希圣数人待榜②，相传鲁直为省元③。
同舍置．酒，有仆自门被发大呼而入，举三指，问之，乃公与同舍三人，鲁直不与。
坐上数人皆．散去，至有流涕者，鲁直饮酒自若。
饮酒罢，与公同看榜，不少见于颜色。
公尝为其妇翁④孙莘老言：“重之后妻死，作《发愿文》⑤，绝嗜欲，不御酒肉。
”至黔州命下⑥，亦不少动。
公在归州⑦日，见其容貌愈光泽。
留贬所累年，有见者，无异．仕宦时。
议者疑鲁直，其德性殆夙成⑧，非学而能之。
【注】①黄鲁直：宋代文学家、书法家黄庭坚。
洪州：今江西省南昌市。
解头：又称“解元”“举首”，指乡试第一名。
①公：此处指孙升。
待榜：等待录取名单公布。
①省元：省试第一名。
①妇翁：俗指岳父，孙莘老是黄庭坚的岳父。
①《发愿文》：见《豫章黄先生文集》卷二十一。
①黔州命下：黄庭坚曾为《神宗实录》检讨官，后有人指责《实录》有不实之处，黄庭坚就被贬为涪州（今重庆涪陵）别驾、黔州（今重庆彭水县）安置。
①不少动：不稍改变。
少，同“稍”。
①归州：地名。
①殆：大概。
夙成：长期养成。
1．解释文中加点词的含义。
（1）置．( )（2）皆．( ) （3）异．( )2．把文中画横线的句子翻译成现代汉语。
（1）问之，乃公与同舍三人，鲁直不与。
（2）饮酒罢，与公同看榜，不少见于颜色。
3．结合文章内容，说说你认为黄庭坚是一个怎样的人。
阅读下面的文言语段，完成问题。
①杨景行，字贤可，吉安太和州人。
登延祐二年进士第，授赣州路会昌州判官。
会昌民素不知井．饮，汲于河流，故多疾疠；不知陶瓦，以茅覆屋，故多火灾。
景行教民穿井以饮，陶瓦以代茅茨，民始免于疾疠火灾。
豪民十人，号十虎，干政害民，悉捕置之法。
乃创学舍，礼师儒，劝民斥腴田以膳士，弦诵之声遂盛。
②调永新州判官，奉郡府命，核民田租，除刬①宿弊，奸欺不容，细民赖．焉。
改任江西行省照磨，转抚州路宜黄县尹，理白冤狱之不决者数十事。
2025版《师说》高中全程复习构想语文题型五 文言文阅读简答
【即练即悟】
2．阅读下面的文言文，完成文后的题目。 陈选字士贤，台之临海人。天顺庚辰试礼部，丘文庄得其文，曰： “古君子也。”置第一。授监察御史。罗一峰论夺情被谪，先生抗疏 直之。出按江西，藩臬以素服入见，先生曰：“非也。人臣觐君，服 视其品秩，於御史何居？”不事风裁，而贪墨望风解绶。已，督学南 畿，一以德行为主。试卷列诸生姓名，不为弥封，曰：“吾且不自信， 何以信于人邪？”每按部就止学宫，诸生分房诵读，入夜灯火萤然， 先生以两烛前导，周行学舍，课其勤惰，士风为之一变。 (节选自《明儒学案》，有删改)
乙卯，方伯公领乡书。丙辰，成进士。己未，官比部郎。太夫人相从京 师。居四年，不置一鲜丽服。丙寅，方伯公佥宪江西，时长宪者喜敲扑， 公庭号楚声不绝。太夫人闻之，戚然曰：“彼盛怒易解耳，而生命难续， 且若之何以人灼骨之痛，博己一快也？”方伯公为之改容曰：“请佩此言 当韦。”戊寅，方伯公以大参备兵通、泰，寻由河工超迁河南右辖。未几， 转左。日夜期会簿书间，力渐耗。太夫人时时风方伯公：“且休矣！即不 能爇琴燔鹤以饱，夫岂其无双田之毛、东湖之水？”方伯公曰：“所谓拂 衣者难妻孥也，汝若是又奚难！”而癸未需次调补，竟请告归，从太夫人 意也。居尝语诸子曰：“尔父累俸，稍拓田庐，然不尽与尔曹，而推以赡 族，惟是念祖父之余，不可专食也。尔当识此意附谱后，绝孙曾他肠，令 吾族人得世世食此土，不亦美乎！”其平居语识大义类若此。
英语阅读理解解题三大步骤
英语阅读理解解题三大步骤英语阅读理解解题三大步骤阅读时语言学习的重要能力，了解阅读的步骤可以更快更好的掌握阅读内容。
下面是店铺整理的英语阅读理解解题三大步骤，欢迎大家阅读！一、读问题(做阅读最重要的一个步骤。
如果连问题都读不懂，肯定做不对题) 把问题分为两类：1、需要记住的问题：凡是问题中涉及到原文具体内容信息的问题，记住问题中的原文信息;重点放在记时间，地点，大写的词或者名词上(原因：名词在文中不容易改变)。
要记的信息，能读懂的尽量读懂，实在读不懂的记长相，记中文就可以。
记信息的目的是为一会儿读原文做准备(读原文时主要的目的在于找出问题中记住的内容信息，对映处即为问题答案所在位置)，并且在读文章前先对文章内容有一个大概的了解。
2、不需要记住的.问题：问题中没有涉及到原文具体内容的(换句话说就是不能用原文中某一处信息作答的题目)此类的问题有：主旨题(mainidea)，中心思想题(Fromthetext，wecanlearnthat…)，作者态度题(Thewriterwantstotellus…_)和判断对错题。
针对此类问题，读文章前，重点放在含有原文内容信息的题目上，一会儿做题时也是先做划的题目，再做不划的题目。
二、读原文1、读原文的主要目的：划出解题所需要的内容信息，包括：刚才读问题时脑中记的原文信息(把问题中所问的东西在文中找出来);转折词：but，however，although，though;重点强调的词或是绝对化的词：none，only，all，everything，must，always;数字及序数词。
读出整篇文章的大概方向及围绕着什么东西说的。
2、开始读文章读文章总则：从头到尾读，读时脑中反映中文意思，但是按照英文单词出现顺序接受信息。
读的重点放在文章的段首句，转折句和整篇文章的最后几句。
三、解题1、先做文中划出对映信息的题目第一步：关注问题问的是什么?(问什么答什么)第二步：精确答案所在位置(在读原文时中，我们已经在原文中划出问题中出现的具体内容。
科研论文中常见的P值和显著性是什么意思？一文搞懂P值及其计算
我们常常在科研论文的数据分析部分或者某些科普文章引用的资料当中见到涉及P值的统计学报表以及相关的显著性判断。
非专业读者看到这些关于P值和'显著性'的描述往往是一头雾水（如下表），大多略过，但实际上这些统计结果才是一篇论文中最准确直接的定性结论。
了解了P值的含义和显著性的判定，可以帮助我们快速掌握科研论文中第一手研究数据的指向和意义。
一个p值统计报表的例子P值往往涉及统计结果显著性的判定，因此我们得从显著性的概念说起。
本文将用通俗的文字来简介相关的统计学概念，并附上P值的计算方法。
统计显著性和置信度任何理论（或认识）都没法保证其关于现实的推测是100%正确的，这归因于理论永远都只是对现实世界真相的大致概括和特征提取。
理论只能无限趋近于真实，但无法达到真实。
人类利用的仅仅是越来越接近真相的理论而已。
所以对于任何说法，都有一个可信度问题。
而通过对于现实的重复测试，我们将能够了解某个说法究竟有多可信，不同的说法之间是存在着可信度的差异的。
这就像是盲人摸象之后，每个盲人说出的有关大象外形的可信度是有差别的，而且只要让盲人们多摸几次，他们对大象长相的描述会越来越接近真实。
了解不同观点的可信度，是统计的目的之一。
统计中所谓的'显著性'就是可信度的一种指标。
具有 统计显著性的结果反映的是经过严格的测试得到的结果达到了一定可信度——专业术语叫 '置信度'（又叫“置信水平”） ， 它表明我们在多大程度上相信结论不会因随机因素而发生偏差。
更具体地说，置信度是我们所持理论预测出来的结果在指定区间出现的可能性。
显著性 跟 置信度 的内涵异曲同工，但它们的表述方法刚好相反，且 在应用中描述方式略有差异：· 对于置信度一般我们会说'……实验结果落在某个置信区间的可能性可以达到多高……'（这个可能性越大置信度就越高）· 而对于显著性我们会说'……我们的理论假设被否定的可能性小于多少，我们的假设就可以被称为显著或者极显著……'（这个可能性越小显著性越高）也就是说，置信度通常是正面描述（拒伪的），而且通常需要与一个置信区间关联起来。
6-5 两个正态总体均值及方差比的置信区间
6.5 两个正态总体均值差及 方差比的置信区间
1. 两正态总体均值差 µ1 − µ 2的置信区间
2 σ1 2. 两个总体方差比 2 的置信区间 σ2
3. 小结
设给定置信度为1 − α , 并设 X 1 , X 2 ,⋯, X n 为 第一个总体 N ( µ1 ,σ 1 )的样本 , Y1 ,Y2 ,⋯,Yn 为第二
要点回顾
无偏性 1. 估计量的评选的三个标准 有效性 相合性 2. 置信区间是一个随机区 (θ , θ ), 它覆盖未知参 间 ( 数具有预先给定的概率置信水平) , 即对于任
意的θ ∈Θ, 有 P{θ < θ < θ } ≥ 1−α. 求置信区间的一般步骤(分三步 分三步). 求置信区间的一般步骤 分三步
例4 分别由工人和机器人操作钻孔机在纲部件 上钻孔，今测得所钻的孔的深度（以cm计）如下 上钻孔，今测得所钻的孔的深度（ 计
工人 操作 机器人 操作 4.02 3.64 4.03 4.02 3.95 4.06 4.00 4.01 4.03 4.02 4.01 4.00 3.99 4.02 4.00
2 σ1 , 由 X , Y 的独立性及 X ~ N µ1 , n1 2 2 σ1 σ 2 , + 可知 X − Y ~ N µ1 − µ 2 , n1 n2
2 σ2 , Y ~ N µ2 , n2
或
( X − Y ) − (µ1 − µ 2 ) ~ N (0, 1),
2 s1 s12 1 1 2 , 2 s F (6,7) s F (6,7) = ( 2.87,46.81). 0.95 2 2 0.05
这个区间的下限大于1，在实际中， 这个区间的下限大于 ，在实际中，我们就认为
2023年新高考语文I卷与II卷文言文注释详解
2023年新高考I卷文言文注释详解材料一：襄子围（被围困，“傅说举于版筑之间”的“举”表示被选拔，两者用法相同，都表被动）于晋阳中（介宾结构做状语，后置。
于，在），出围（解围）,赏有功者五人，高赫（赵襄子的家臣）为赏首（受赏者中功推第一的人）。
张孟谈（人名，赵襄子的家臣）曰：“晋阳之事，赫无大功，今为赏首，何（为什么）也?”襄子曰：“晋阳之事，寡人（寡德之人，意为“在道德方面做得不足的人”。
是古代君主、诸侯王对自己的谦称）国家危，社稷（指国家。
社，土地神）殆（殆，危险。
可以用对称法判断，国家危、社稷殆）矣。
吾群臣无有不骄侮（高傲轻慢，侮慢）之意者，唯（只有）赫子不失君臣之礼（礼节）,是以（因此）先（意动用法，以之为先）之。
”仲尼闻之，曰：“善（善于；擅长）赏哉，襄子赏一人而天下为人臣者莫敢失礼矣。
”或（有人）曰：仲尼不知（懂得）善赏矣。
夫（句首发语词，可不译）善赏者，百官不敢侵职（超越自己的职责侵犯他人职守）,群臣不敢失礼。
上（君主在上）设（设置）其法，而下（臣子在下）无奸诈之心。
如此（像这样）,则（那么）可谓善赏罚矣。
襄子有君臣亲（亲近密切）之泽（恩泽） , 操（掌握；控制）令行禁止（下令行动就立即行动，下令停止就立即停止。
形容法令严正，执行认真）之法，而犹（还）有骄侮之臣，是襄子失罚（失去惩罚原则）也（是…也…，判断句）。
为人臣者，乘（计量；计算，此指谋事）事而有功则赏。
今赫仅（仅仅）不骄侮，而（表转折，却）襄子赏之，是失赏也。
故曰：仲尼不知善赏。
（节选自《韩垂子·难一》）材料二：陈人有武臣，谓子鲥（即孔鲋，孔子八世孙）曰：“韩子立法，其所以（…的原因）异夫子（特指孔子）之论者纷如（众多，纷繁复杂）也。
予（我）每（常常）探（探究）其意而校（查对；核计）其事，持久历远（经历久长）,遏（阻止）奸劝（鼓励、劝勉，与《兼爱》“不可以不劝爱人”中的“劝”词义相同）善，韩氏未必非（错误），孔氏未必得（合适，治当）也。
说明文阅读答案解析
说明文阅读训练卷——初一年级期末复习〔一〕手机确定你的位置①当今时代，手机已经越来越普及，移动通信技术的开展使人和人之间的沟通更加方便，给人们的生活带来了很多的便利。
随着手机技术的成熟和开展，同时也带动了各种新昔无线业务的出现，如彩铃、彩信和手机上网等等。
我们在这里要介绍的是手机的无线定位技术。
②无线定位技术的应用非常广泛。
在军事上，这项技术可以用以锁定敌对目标的住置。
例如，在第一次车臣战争期间，俄罗斯军队用导弹击毙正在用手机通话的杜达耶夫，就使用了这项技术。
在公共平安方面，警方在处理绑架案件的时候，可以通过这项技术确定使用手机的绑匪的位置。
在日常生活中，这项技术可以派上大用场，倒如，给迷路的人指引方向，救助突发疾患的病人等等。
那么，怎么用手机来定位呢?③无线定位可分为卫星无线定位和地面无线定位。
在卫星定位技术中，最有名的就是全球定位系统(GPS)，这是一种利用卫星系统实现移动目标三维定位的技术。
而地面无线定位那么通过测量无线电波的传播时间、信号场强、相位、入射角度等参数实现移动目标的定位。
手机定位技术属于地面无线定位系统。
④手机定位有各种不同的形式，各种不同的定位业务对定位精度的要求也不一样。
我们都知道，手机处在外地漫游状态时，其通话费的计算就另有标准，那么这种定位所需的技术就比拟简单。
移动通信网有很多基站，每个基站覆盖一定的区域，在这个区域的手机与基站发生通信联系．从而确定其大致位置。
⑤在手机的无线定位系统中，为了防止对移动终端增加额外开销，多采用的是基于网络的定位方案，由多个基站同时接收和检测手机发出的信号，根据测量到的参数由计算机对其进展定位估计。
为了获得这些参数，就需要在基站中安装监测设备，再把这些数据通过计算机处理，从而估计出手机的大致位置。
手机信号的参数有传播时间、信号场强、入射角度等。
⑥从手机发出的信号到达基站，需要一定的时问，根据电磁波的传播速度可以算出手机与基站之间的距离。
那么，如果通过多个基站进展这种测量，就可以计算出手机的位置。
文言文阅读教案
第九课时文言文翻译题的 3 大着眼点教学要点：1、了解文言文翻译坚持的三大原则2、根据语境读懂、领会某一个句子的意思，能从语句内容、语意阐释和语气效果等方面把这个句子用现代汉语的形式表达出来。
教学过程:一、文言文翻译坚持的三大原则：“信”是指译文要准确无误，就是要使译文忠于原文，如实地、恰当地运用现代汉语把原文翻译出来。
“达”是指译文要通顺畅达，就是要使译文符合现代汉语的语法及用语习惯，字通句顺，没有语病。
“雅”就是指译文要优美自然，就是要使译文生动、形象，完美地表达原文的写作风格。
二、文言文翻译题的 3 大着眼点着眼点1 关键实词关键实词，从词性上看，以动词居多，其次是形容词和名词。
把关键实词翻译到位，就是把句中的通假字、多义词、古今异义词、活用词语(名词用作状语、形容词用作动词、意动用法、使动用法等)、特殊难解词语准确理解，并且在译文中正确地体现出来。
例如:( 安徽) 阅读下面文字，完成⑴—⑷题御史梁皙次先生传( 文略)⑷把原文划线的句子翻译成现代汉语。
②诸子酒酣耳熟，辨难蜂．起，各负．气．不肯相下。
答案：众人酒兴正浓时，辩驳问题纷然并起，人人凭恃义气不肯服输。
( 关键词是：“诸子”，各位先生。
“蜂”，象蜜蜂一样。
“负气”，凭恃义气)着眼点2 关键虚词关键虚词，主要指文言语句中的副词、连词、介词。
虚词的翻译要注意两点：(1)必须译出的：有实词义项的要译出实义，如作代词的“之”其“”等；现代汉语中有与之相对应的虚词进行互换的，如“之”而“”以“”于“”等。
(2)不必译出的：在句中起语法作用的“之”、发语词及句末语气助词等。
关键虚词的翻译，要仔细辨明词性及意义，能译则译，不需要译出的切不可强行译出。
例如：（出处同上）①出知西安之．咸宁，誓于神，不以．一钱自污。
答案：( 梁熙) 出任西安府咸宁知县，向神灵发誓，不会因一文钱而玷污了自己。
( 关键词：“誓”发誓，“以”，因为，必须译处来的虚词，“之”则可不译)着眼点3文言句式文言句式在翻译题目中是重要的得分点，要审出译句中的特殊句式是关键。
专题22 文言文阅读综合训练(四)-2023年小升初语文考前精准练(全国版)
2023年小升初语文考前精准练专题22 文言文阅读综合训练（四）真题精练一、（2022·天山区）小古文阅读。
北人生而不识菱者，仕于南方，席而啖菱，并角入口。
或曰：“啖菱须去壳。
”其人自护所短，曰：“我非不知，并壳者，欲以清热也。
”问者曰：“北土亦有此物否？”答曰：“前山后山，何地不有！”夫菱生于水而曰土产，此坐强不知以为知也。
1.给下列句子划分节奏。
夫菱生于水而曰土产，此坐强不知以为知也。
2.解释加点字。
①席而啖．菱啖＿＿＿＿＿＿＿＿＿②欲以清．热也清＿＿＿＿＿＿＿＿＿3.翻译句子。
夫菱生于水而曰土产，此坐强不知以为知也。
4.阅读本文，说说你对北人“强不知以为知”的看法。
二、（2022·义乌市）阅读理解。
吴起①守信昔吴起出，遇故人，而止②之食。
故人曰：“诺，期返而食。
”起曰：“待公而食。
”故人至暮不来，起不食待之。
明日早，令人求故人，故人来，方与之食。
起之不食以俟③者，恐其自食其言也。
其为信若此，宜④其能服三军欤（yuú）？欲服三军，非信不可也！[注释]①吴起：战国初期著名的政治家、军事家。
②止：留住。
③俟：等待。
④宜：应该。
1.解释下面加点的字。
①昔．吴起出＿＿＿＿＿＿＿＿②明日．．早，令人求故人＿＿＿＿＿＿＿＿③故人来，方与之．食＿＿＿＿＿＿＿＿2.下列句子中，能具体表现吴起守信的句子是＿＿＿＿＿＿＿＿＿（多选）A.昔吴起出，遇故人，而止之食。
B.起曰：“待公而食。
C.故人至暮不来，起不食待之。
D.明日早，令人求故人，故人来，方与之食。
3.用现代汉语翻译下面的句子。
欲服三军，非信不可也！4.读短文，你觉得吴起是一个怎样的人？联系学习生活，你得到什么启发？三、（2022·马山县）读下面的文言文，回答问题。
管宁割席管宁、华歆共园中锄菜，见地有片金。
管挥锄与瓦石不异，华捉而掷去之。
又尝同席读书，有乘轩冕过门者，宁读如故，歆废书出观。
宁割席分坐，曰：“予非吾友也。
一图读懂《互联网信息服务管理办法》
一图读懂《互联网信息服务管理办法》网络无所不在，信息无所不在，网络和信息结合起来,就充满了我们生活的空间，影响了我们的生活方式,改变了我们的生活轨迹。
可是较起真儿来，你真懂了国家是怎么管理网络信息的吗？你真了解了互联网企业应该在运营中注意哪些问题吗?今天，小编就从互联网信息管理的一个最基本的行政法规讲讲起。
互联网进入中国是九十年代的事情了，一开始对于互联网信息的管理就是一个原则：网下怎么管,网上就怎么管.可是，互联网毕竟有自己的个性，有些事儿还真不是从网下挪到网上那么简单。
于是乎,经过一个阶段的摸索,第一个关于互联网信息管理的行政法规就出台了，那就是国务院于2000年9月25日颁布并施行的《互联网信息服务管理办法》.因为是国院院令第292号颁布的，所以业内人士都简称其为国务院292号令。
看了小编这篇文章之后，你再跟别人提起这个行政法规的时候，一定要叫它的小名“292号令”，只要你一说别人一定会对你另眼相看。
国务院292号令是我国关于互联网信息服务管理的一个最基本的行政法规，把它读懂了，关于互联网的问题你就理解大半了。
先看小编制作的思维导图：互联网信息服务大概就讲了六个方面的事儿，下面一一道来。
第一个问题：是什么292号令是这么说的:“互联网信息服务，是指通过互联网向上网用户提供信息的服务活动。
”够简单，够明了,但无所不包，所以只要通过互联网向别人传播信息，无论你是互联网企业还是个人，就都归292号令管.不过，这一句话也太简单了，为了进一步说明互联网信息服务是啥，工业和信息化部在《电信业务分类目录（2015年版）》中对此作了详细的规定,请看图：互联网信息服务在电信业务里属于B25项，具体有5个方面的内容:信息发布平台和递送服务、信息搜索查询服务、信息社区平台服务、信息即时交互服务、信息保护和处理服务等。
1．信息发布平台和递送服务是指建立信息平台,为其他单位或个人用户发布文本、图片、音视频、应用软件等信息提供平台的服务。
置 信 区 间 一 文 读 懂
QIIME 2用户文档. 15样品分类和回归q2-sample-classifier(2019.7)前情提要NBT：QIIME 2可重复、交互和扩展的微生物组数据分析平台1简介和安装IntroductionInstall2插件工作流程概述Workflow3老司机上路指南Experienced4人体各部位微生物组分析Moving PicturesGenome Biology：人体各部位微生物组时间序列分析5粪菌移植分析练习FMTMicrobiome：粪菌移植改善自闭症6沙漠土壤分析Atacama soilmSystems：干旱对土壤微生物组的影响7帕金森小鼠教-程Parkinson’s MouseCell：肠道菌群促进帕金森发生ParkinsonDisease8差异丰度分析gneiss9数据导入Importing data10数据导出Exporting data11元数据Metadata12数据筛选Filtering data13训练特征分类器Training feature classifiers14数据评估和质控Evaluating and controlling预测样本元数据q2-sample-classifierPredicting sample metadata values with q2-sample-classifier警告：与任何统计方法一样，此插件中描述的操作需要足够的样本量才能获得有意义的结果。
根据经验，至少应提供50个样品(生物学重复而非技术重复)。
用作分类器目标的分类元数据列的每个唯一值至少应具有10个样本，用作回归器目标的连续元数据列不应包含许多异常值或严重不均匀的分布。
较小的样本量将导致不准确的模型，并可能导致错误。
本教-程将演示如何使用q2-sample-classifier预测样本元数据值。
监督学习方法基于样本数据（如微生物群组成）可预测样本属性值（如元数据值）。
置信一日游总结
置信集团一日游—生活密码今天和几个成都高校的学生一起去置信集团参观，一天下来感触真的蛮多的，其实说到这次能和置信的结缘，都要说到高三去了，因为高三拿过他们公司的一个置信奖学金，现在就在高校里边选取这些学子和一些感兴趣的同学去参观，或许也许是一种我不会想到的缘分。
今天早上六点过就起床了，和三个大一的小妹妹约好了一起集合去川大总站坐公司的车去总部，到那里一看名单，除了我们四个成都大学和几个成都理工大的同学以外，其余的三十多个全是川大的，一到那里就感觉到了川大同学的热情，也算是第一次和川大同学近距离接触吧！坐上校车，我身边坐着的是川大一个大四的学长，我们在一起聊天聊了很多，他说他现在已经保送研究生了，我当时就好羡慕，因为我正在这个漫长的旅途中挣扎，可是别人直接就上了，省去了好多中间环节和时间。
然后他就问我大学读了两年了感觉咋样，我就回答他：现在在当班长，当班主任助理，专业第一，过了计算机四级等等吧！突然他就觉得挺佩服我的，大学可以做那么多事。
其实我感觉到大学的好坏其实也不是那么明显，其实你只要把自己每天该做的事情做好了就行了，毕竟大家每天都只有24小时，也让我感觉到我们和他们的差距不是那么遥远，我也了解了他们学校的就业情况，其实也比我们学校好不了太多（只是针对待遇而言），但是他们学校的就业面和就业就会确实比我们学校好太多，因为很多大型企业只到好学校招聘，可是我们自己要有意愿进，我相信只要你有能力，他们也不会拒绝的。
九点半的时候我们到了置信总部大楼，他们总部大楼确实修的很好，重要是环境和他们服务人员的态度相当好。
我们来到了会议室，首先是一个置信学校的副校长兼总经理给我们讲解置信的历史和让我们了解置信是什么，主要是给我们讲解了置信的文化。
我们了解到置信是一个拥有超过一万员工的集房地产，汽车制造，娱乐产业服务，售后楼盘服务的大企业。
也给我们讲到了企业要想发展和存活的根本就是创新，要把任何一个产品做成精品，这是每个置信员工的做事之道。
工作区设计详解PPT课件
第3页/共44页
工作区
楼层配线间 (TR)
交换机
配线架
设备跳线
工作区/ 工作站 跳线
第4页/共44页
第3章 工作区设计
• 工作区的划分原则 按照GB50311国家标准规定，工作区是一个独立的需要设置终端设备的区域。 工作区应由配线（水平）布线系统的信息插座延伸到终端设备处的连接电缆及 适配器组成。一个工作区的服务面积可按5~10平方米估算，也可按不同的应用 环境调整面积的大小。
第9页/共44页
第3章 工作区设计
• 初步设计
• 1．工作区面积的确定
工作区子系统包括办公室、写字间、作业间、技术室等需用电话、计算
机终端、电视机等设施的区域和相应设备的统称。
表 3建- 1筑工物作类区型及面功积能划 分 表 （ G B 5 0 3 11 - 2 0 0 7工规作定区）面积(m2)
IO
1-12
九门柜1 九门柜2
办公区
IO 1-14 IO 1-15
1-09 IO IO 1-05 1-10 IO IO 1-06
1-01 IO
1-02 IO 1-03 IO
IO 1-16 IO 1-17
1-11 IO IO 1-07 1-12 IO IO 1-08
1-04 IO
图示说明：
1-N
图3-4
常见工作区信息点的配置原则工作区类型及功能安装位置安装数量数据语音网管中心呼叫中心信息中心等终端设备较为密集的场地工作台处墙面或者地面工作台集中办公区域的写字楼开放式工作区等人员密集场所工作台处墙面或者地面工作台董事长经理主管等独立办公室工作台处墙面或者地面小型会议室商务洽谈室主席台处地面或者台面会议桌地面或者台面大型会议室多功能厅主席台处地面或者台面会议桌地面或者台面5105000平米的大型超市或者卖场收银区和管理区个100平米个100平米20003000平米中小型卖场收银区和管理区餐厅商场等服务业收银区和管理区个50平米个50平米宾馆标准间床头或写字台或浴室学生公寓4人间写字台处墙面公寓管理室门卫室写字台处墙面教学楼教室讲台附近住宅楼书房工作区信息点点数统计表工作区信息点点数统计表简称点数表是设计和统计信息点数量的基本工具和手段
与点估计相比区间估计的主要优点是
与点估计相比区间估计的主要优点是一、点估计：1、优点：简单易懂，能够提供总体参数的估计值。
2、缺点：用抽样指标直接代替全体指标，不可避免的会有误差。
二、区间估计：1、优点：可以在一定的概率水平上来判断估计值的取值范围自，从而认识样本序列的聚集程度和离散程度2、缺点：受异常值影响可能导致估计的区间不准确，同时知由于是在一定概率陈水平上道的推断，忽略了小概率事件可能产生的影响。
点估计目的是依据样本X=(X1、X2…Xi)估计总体分布所含的未知参数θ或θ的函数g(θ)。
一般θ或g(θ)是总体的某个特征值，如数学期望、方差、相关系数等。
点估计的常用方法有矩估计法、顺序统计量法、最大似然法、最小二乘法等。
与点估计不同，进行区间估计时，根据样本统计量的抽样分布可以对样本统计量与总体参数的接近程度给出一个概率度量。
区间估计（interval estimate）是在点估计的基础上，给出总体参数估计的一个区间范围，该区间通常由样本统计量加减估计误差得到。
与点估计不同，进行区间估计时，根据样本统计量的抽样分布可以对样本统计量与总体参数的接近程度给出一个概率度量。
下面将以总体均值的区间估计为例来说明区间估计的基本原理。
区间估计，是参数估计的一种形式。
1934年，由统计学家J.奈曼所创立的一种严格的区间估计理论。
置信系数是这个理论中最为基本的概念。
通过从总体中抽取的样本，根据一定的正确度与精确度的要求，构造出适当的区间，以作为总体的分布参数(或参数的函数)的真值所在范围的估计。
用数轴上的一段距离或一个数据区间，表示总体参数的可能范围.这一段距离或数据区间称为区间估计的置信区间。
区间估计（interval estimation）是从点估计值和抽样标准误差出发，按给定的概率值建立包含待估计参数的区间.其中这个给定的概率值称为置信度或置信水平(confidence level），这个建立起来的包含待估计参数的区间称为置信区间（confidence interval），指总体参数值落在样本统计值某一区内的概率；而置信区间是指在某一置信水平下，样本统计值与总体参数值间误差范围。
四川邮政考试知识点速记
四川邮政考试知识点速记一、知识概述《四川邮政考试相关知识点》①基本定义：四川邮政考试涵盖邮政业务知识、邮政相关法规、邮政服务理念以及一些基本的职场素养相关的知识点。
比如说邮政业务知识，就是邮政平时在做的包裹邮寄、信件投递、储蓄等业务相关的知识，像各种包裹的尺寸规定、邮资计算等。
②重要程度：在应聘四川邮政相关岗位里那可是至关重要的。
就像你要进一家菜馆做饭，得知道菜是怎么做的、餐具怎么用，对于邮政来说，这些知识就是你在邮局工作的工具，要是不懂业务，那怎么服务顾客、怎么开展工作呀。
③前置知识：基本的数学计算能力得有，像邮资计算可能涉及到简单的加法、乘法；语文的阅读和理解能力也需要，因为要能读懂邮政业务说明、相关法规文件等。
④应用价值：实际工作中处处都是应用场景。
例如你在邮局窗口工作，你得知道如何准确地给客户计算邮资、如何根据包裹的内容给它分类邮寄，要是弄不好，客户肯定不满意，邮局的服务质量就下降了。
二、知识体系①知识图谱：以邮政业务为核心，展开包括邮政储蓄、邮政物流、邮政普遍服务等一些辐射状的知识分支。
例如邮政物流这块，就关联着包裹的接收、运输、投递等多个环节相关的知识。
②关联知识：和物流管理、金融服务管理等知识有联系。
就像邮政储蓄其实和银行的储蓄业务有类似的地方，但也有邮政自己的特色业务，像代收水电费这种依托邮政网络的服务。
③重难点分析：- 掌握难度：邮政法规那些条文的细节挺难记的。
说实话，有些法规条款又长又拗口，像邮政赔偿相关的规则，涉及多种情况，到底什么时候全额赔、什么时候按比例赔很复杂。
- 关键点：熟悉各种邮政业务中独特的规定和操作流程是很关键的。
比如说挂号信的特殊处理流程，普通信件丢失可能是一种处理方式，挂号信丢失就不同了，因为它有挂号的记录，就像大家在网上买东西有快递单号可查，挂号信也有它的查询追踪体系。
④考点分析：- 在考试中的重要性：直接决定你能不能进入四川邮政工作。
这就像通关钥匙，没有这个通行证，就进不了邮政工作这个大门。
置信区间与假设检验之间的关系
一、置信区间与假设检验的联系与区别 二、用置信区间进行检验 11405寝室
一、区间估计与假设检验的联系与区别
抽样估计与假设检验都是统计推断的重要内容。 参数估计是根据样本统计量估计总体参数的真值； 假设检验是根据样本统计量来检验对总体参数的先 验假设是否成立。
㈠区间估计与假设检信区间以外 的区域就是假设检验中的拒绝域。
㈡区间估计与假设检验的主要区别
1.区间估计通常求得的是以样本估计值为中心的双侧置信区 间，而假设检验以假设总体参数值为基准，不仅有双侧检 验也有单侧检验；
2.区间估计立足于大概率，通常以较大的把握程度（置信水 平）1-α去保证总体参数的置信区间。而假设检验立足于 小概率，通常是给定很小的显著性水平α去检验对总体参 数的先验假设是否成立。
双侧检验！
解：提出假设： H0: = 1000 H1: 1000 已知：n = 16，σ=50， x 991 =0.05双侧检验 /2=0.025 临界值: Z0.025=±1.96
拒绝 H0
0.025
用置信区间进行检验(例题分析)
置信区间为
, 0 z 2 0 z 2 n n 50 50 ,1000 1.96 1000 1.96 16 16 975.5, 1024 .5
决策:
x 991 在置信区间内，
拒绝 H0
0.025
不拒绝H0 结论: 可以认为这批产品的包 装重量合格
-1.96
0
1.96
Z
1.区间估计与假设检验都是根据样本信息对总体参 数进行推断，都是以抽样分布为理论依据，都是 建立在概率基础上的推断，推断结果都有一定的 可信程度或风险。 2.对同一问题的参数进行推断，二者使用同一样本、 同一统计量、同一分布，因而二者可以相互转换。 区间估计问题可以转换成假设问题，假设问题也 可以转换成区间估计问题。区间估计中的置信区
《蒲留仙写书》阅读答案及原文翻译
《蒲留仙写书》阅读答案及原文翻译篇一：初中课外文言文精读——蒲留仙写书5 蒲留仙写书文章主旨用简洁的语言对做了高度评价，写出了蒲松龄的生活状况，积累素材的过程和成书时间。
启示我们要想写出绝文妙笔，就要要关注生活,感悟生活,不断积累材料,要用认真的态度去对待。
原文蒲留仙先生，用笔精简，寓意处全无迹相，盖脱胎于诸子，非仅抗于左史、龙门也。
相传先生居乡里，落拓无偶，性尤怪僻，为村中童子师，食贫自给，不求于人。
作此书时，每临晨携一大磁罂，中贮苦茗，具淡巴菰一包，置行人大道旁，下陈芦衬，坐于上，烟茗置身畔。
见行道者过，必强执与语，搜奇说异，随人所知；渴则饮以茗，或奉以烟，必令畅谈乃已。
偶闻一事，归而粉饰之。
如是二十余寒暑，此书方告蒇。
故笔法超绝。
（选自）作者介绍是清代邹弢所作，邹弢，金匮（今江苏无锡）人，字翰飞。
本文叙述了蒲松龄创作时搜集素材的故事。
蒲留仙，即蒲松龄（1640－1715）字留仙，一字剑臣，号柳泉，世称聊斋先生，自称异史氏，现山东省淄博市淄川区洪山镇蒲家庄人。
出生于一个逐渐败落的中小地主兼商人家庭。
19岁应童子试，接连考取县、府、道三个第一，名震一时。
补博士弟子员。
以后屡试不第，直至71岁时才成岁贡生。
为生活所迫，他除了应同邑人宝应县知县孙蕙之请，为其做幕宾数年之外，主要是在本县西铺村毕际友家做塾师，舌耕笔耘，近42年，直至1709年方撤帐归家。
1715年正月病逝，享年76岁。
创作出著名的文言文短篇小说集。
拓展阅读令狐熙字长熙令狐熙，字长熙，敦煌人也，代为西州豪右。
熙性严重（尊重；办事严肃认真）有雅量，虽在私室，终日俨然。
不妄通宾客，凡所交结，必一时名士。
博览群书，尤明；善骑射，颇知音律。
起家以通经为吏部上士，寻授帅都督，转夏官府都上士，俱有能名。
以母忧去职，殆不胜丧。
其父戒之曰：“大孝在于安亲，义不绝嗣。
何得过尔毁顿，贻吾忧也！”熙自是稍加饭粥。
及武帝平齐，以留守功，增邑六百户。
进位仪同，历司勋、吏部二曹中大夫，甚有当时之誉。
书信的中间写什么
书信的中间写什么篇一：书信的格式一般书信写作格式及范文书信一般由称谓、问候语、正文、结尾、署名、日期所构成。
我们以刘星给强强的一封信为例作简单讲析。
1 ．称谓在首行顶格的位置写称谓，后加冒号。
为了表示尊敬、亲切，可在称谓前加上“尊敬的”或“亲爱的”等词。
这由写信人与收信人的关系的亲疏远近而定。
亲爱的强强：（同学之间，关系亲密，可用亲爱的）2 ．问候语第二行开头空两格写问候语。
运用礼貌语言，使收信人感到亲切，受到尊敬。
长者多问候身体，中年人多问候事业和家庭，青年人多问候爱情和学业，少年儿童多祝愿健康成长。
你好！你在新学校的生活还习惯吧，别忘记了老同学哟3 ．正文另起一行空两格写，一般一件事一段，注意要分层次叙述清楚，简洁清晰语言要求准确通俗，明白如话，不要作过多过深的修饰，已免造成对方难于理解。
最近我们准备开一次同学聚会，不知你有时间回来参加没有。
另外，请你帮我到新华书店买一本语文学习资料，阅读方面的。
4 ．结尾要根据收信人的身份，写表示祝愿的话，以示礼貌。
一般性的祝词“此致”“敬礼”，格式是另起一行空两格写“此致”，“敬礼”下一行顶格写。
给长者的信往往写“祝您健康长寿”，给朋友写“祝工作顺利”，给晚辈写“祝你学习进步”。
祝学习更上一层楼。
5 ．署名和日期最后两行靠右写写信人的姓名，姓名正下方落下写信日期。
根据写信人与收信人的关系，在姓名前可表明身份，如“学生××× ”、“儿×× ”等。
好友：刘星××年×月×日一般写作注意事项：1 ．内容要写得清楚明白，以免造成对方的误会或疑问，耽误事情。
2 ．用词要热情、自然、贴切、有礼貌。
3 ．要按照书信的格式写，写作更要规范，避免投递困难。
4 ．字迹要清楚，不能潦草，以免造成误会和麻烦。
书信的格式范文小英同学你好!徐州分别已经快有一年了，咱们班学雷锋小组的成员都非常想念你。
《三国志—魏书》“国渊,字子尼,乐安盖人也”文言文阅读理解及译文
《三国志—魏书》“国渊，字子尼，乐安盖人也”文言文阅读理解及译文阅读下面的文言文,完成各题。
国渊传陈寿国渊，字子尼，乐安盖人也。
太祖辟为司空掾属。
每于公朝论议，常直言正色，退无私焉。
太祖欲广置屯田，使渊典①其事。
渊屡陈损．益，相土处民，计民置吏，明功课之法，五年中仓廪丰实，百姓竞劝乐业。
太祖征关中，以渊为居府长史。
田银、苏伯反河间，银等既破，后有余党，皆应伏法。
渊以为非首恶，请不行刑。
太祖从．之，赖渊得生者千余人。
破贼文书，旧以一为十，及渊上首级，如其实数。
太祖问其故，渊曰：“夫征讨外寇，多其斩获之数者，欲以大武功，且示民听也。
河间在封域之内，银等叛逆，虽克捷有功，渊窃耻之。
”太祖大悦，迁．魏郡太守。
时有投书津谤者，大祖疾之，欲必知其主。
渊请留其本书．，而不宣露。
其书多引《二京赋》，渊敕功曹曰：“此郡既大，今在都辇②，而少学间者。
其简开解③年少，欲遣就师。
”功曹差三人，临遣引见，训以：“所学未及，《二京赋》，博物之书也，世人忽略，少有其师，可求能读者从受之。
”又密喻旨。
旬日得能读者，遂往受业，吏因使作笺，比方其书，与投书人同手。
收摄案问，具有情理。
迁大守仆。
居列卿位，布衣蔬食，禄赐散之旧故宗族。
恭俭自守，卒官。
（选自《三国志·魏书》）【简注】①典：主管。
①都辇：京城地区。
①开解：聪明。
【阅读指要】本文通过一些事例表现国渊为官廉洁而奉公，办事踏实有才干，一生保持着谦恭节俭的品德，因而受到上下嘉许。
文章语言简洁，结构谨严，叙事生动，人物形象鲜明。
【阅读训练】1．写出下列加点词在句中的意思。
（1）渊屡陈损．益( )（2）太祖从．之( )（3）太祖大悦，迁．魏郡太守( )（4）渊请留其本书．( )2．下列句中加点词语的意义与现代汉语相同的一项是（）A．常直言正色，退无私．．之法．．焉B．计民置吏，明功课C．渊以为．．．．非首恶，请不行刑D．收摄案问，具得情理3．国渊在为太祖推行屯田制一事上，是如何恪尽职守的？4．以下句子分为四组，全都表现国渊“恭俭自守”的一组是（）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
numpy 100题练习上次发的numpy 100题练习一不知道大家学的咋样了大概又放在收藏夹里吃灰了吧，我们加班加点终于把后一半给翻译出来啦~希望各位观众老爷们喜欢~Create a structured array representing a position (x,y) and a color (r,g,b) (★★☆)创建一个表示位置(x,y)和颜色(r,g,b)的结构化数组Z = np.zeros(10, [ (position, [ (x, float, 1), (y, float, 1)]), (color, [ (r, float, 1), (g, float, 1), (b, float, 1)])])print(Z) Consider a random vector with shape (100,2) representing coordinates, find point by point distances (★★☆)对一个表示坐标形状为(100,2)的随机向量，找到点与点的距离Z = np.random.random((10,2))X,Y = np.atleast_2d(Z[:,0], Z[:,1])D = np.sqrt( (X-X.T)**2 + (Y-Y.T)**2)print (D)# 方法2，用scipy会快很多import scipyimport scipy.spatialD = scipy.spatial.distance.cdist(Z,Z)print (D)How to convert a float (32 bits) array into an integer (32 bits) in place?(★★☆)如何将32位的浮点数(float)转换为对应的整数(integer)?Z = np.arange(10, dtype=np.int32)Z = Z.astype(np.float32, copy=False)print (Z)How to read the following file? (★★☆)如何读取以下文件?1, 2, 3, 4, 56, , , 7, 8 , , 9,10,11Z = np.genfromtxt(s, delimiter=, dtype=np.int)print(Z)What is the equivalent of enumerate for numpy arrays? (★★☆)对于numpy数组，enumerate的等价操作是什么？Z = np.arange(9).reshape(3,3)for index, value in np.ndenumerate(Z): print (index, value)for index in np.ndindex(Z.shape): print (index, Z[index])Generate a generic 2D Gaussian-like array (★★☆)生成一个通用的二维Gaussian-like数组X, Y = np.meshgrid(np.linspace(-1,1,10), np.linspace(-1,1,10))D = np.sqrt(X*X+Y*Y)sigma, mu = 1.0, 0.0G = np.exp(-( (D-mu)**2 - ( 2.0 * sigma**2 ) ) )print (G) How to randomly place p elements in a 2D array? (★★☆)对一个二维数组，如何在其内部随机放置p个元素?n = 10p = 3Z = np.zeros((n,n))np.put(Z, np.random.choice(range(n*n), p, replace=False),1)print (Z) Subtract the mean of each row of a matrix (★★☆)减去一个矩阵中的每一行的平均值X = np.random.rand(5, 10)# numpy最新版本的方法Y = X - X.mean(axis=1, keepdims=True)print(Y)# numpy之前版本的方法Y = X- X.mean(axis=1).reshape(-1, 1)print (Y)How to I sort an array by the nth column? (★★☆)如何通过第n列对一个数组进行排序?Z = np.random.randint(0,10,(3,3))print (Z)print (Z[Z[:,1].argsort()])How to tell if a given 2D array has null columns? (★★☆)如何检查一个二维数组是否有空列？Z = np.random.randint(0,3,(3,10))print ((~Z.any(axis=0)).any())Find the nearest value from a given value in an a rray (★★☆)从数组中的给定值中找出最近的值Z = np.random.uniform(0,1,10)z = 0.5m = Z.flat[np.abs(Z - z).argmin()]print (m)Considering two arrays with shape (1,3) and (3,1), how to compute their sum using an iterator? (★★☆)如何用迭代器(iterator)计算两个分别具有形状(1,3)和(3,1)的数组?A = np.arange(3).reshape(3,1)B = np.arange(3).reshape(1,3)it = np.nditer([A,B,None])for x,y,z in it: z[.] = x + yprint (it.operands[2])Create an array class that has a name attribute (★★☆)创建一个具有name属性的数组类class NamedArray(np.ndarray): def __new__(cls, array, name=no name): obj = np.asarray(array).view(cls) = name return obj def __array_finalize__(self, obj): if obj is None: return = getattr(obj, name, no name)Z = NamedArray(np.arange(10), range_10)print ()Consider a given vector, how to add 1 to each element indexed by a second vector (be careful with repeated indices)? (★★★)考虑一个给定的向量，如何对由第二个向量索引的每个元素加1(小心重复的索引)?Z = np.ones(10)I = np.random.randint(0,len(Z),20)Z += np.bincount(I, minlength=len(Z))print(Z)# 方法2np.add.at(Z, I, 1)print(Z)How to accumulate elements of a vector (X) to an array (F) based on an index list (I)? (★★★)根据索引列表(I)，如何将向量(X)的元素累加到数组(F)?X = [1,2,3,4,5,6]I = [1,3,9,3,4,1]F = np.bincount(I,X)print (F) Considering a (w,h,3) image of (dtype=ubyte), compute the number o f unique colors (★★★)考虑一个(dtype=ubyte) 的 (w,h,3)图像，计算其唯一颜色的数量w,h = 16,16I = np.random.randint(0,2,(h,w,3)).astype(np.ubyte)F = I[.,0]*(256*256) + I[.,1]*256 +I[.,2]n = len(np.unique(F))printConsidering a four dimensions array, how to get sum over the last two axis at once? (★★★)考虑一个四维数组，如何一次性计算出最后两个轴(axis)的和？A = np.random.randint(0,10,(3,4,3,4))sum = A.sum(axis=(-2,-1))print (sum)# 方法2sum = A.reshape(A.shape[:-2] + (-1,)).sum(axis=-1)print (sum)Considering a one-dimensional vector D, how to compute means of subsets of D using a vector S of same size describing subset indices? (★★★)考虑一个一维向量D，如何使用相同大小的向量S来计算D子集的均值？D = np.random.uniform(0,1,100)S = np.random.randint(0,10,100)D_sums = np.bincount(S, weights=D)D_counts = np.bincount(S)D_means = D_sums - D_countsprint (D_means)# 方法2import pandas as pdprint(pd.Series(D).groupby(S).mean())How to get the diagonal of a dot product? (★★★)如何获得点积 dot prodcut的对角线元素?A = np.random.uniform(0,1,(5,5))B = np.random.uniform(0,1,(5,5))# 比较慢np.diag(np.dot(A, B))# 方法2，快一点np.sum(A * B.T, axis=1)# 方法3，快很多np.einsum(ij,ji-i,Consider the vector [1, 2, 3, 4, 5], how to build a new vector with 3 consecutive zeros interleaved between each value? (★★★)考虑一个向量[1,2,3,4,5],如何建立一个新的向量，在这个新向量中每个值之间有3个连续的零？(★★★)Z = np.array([1,2,3,4,5])nz = 3Z0 = np.zeros(len(Z) + (len(Z)-1)*(nz))Z0[::nz+1] = Zprint (Z0)Consider an array of dimension (5,5,3), how to mulitply it by an array with dime nsions (5,5)? (★★★)考虑一个维度(5,5,3)的数组，如何将其与一个(5,5)的数组相乘？A = np.ones((5,5,3))B = 2*np.ones((5,5))print (A * B[:,:,None])How to swap two rows of an array? (★★★)如何对一个数组中任意两行做交换?A = np.arange(25).reshape(5,5)A[[0,1]] = A[[1,0]]print (A)Consider a set of 10 triplets describing 10 triangles (with shared vertices), find the set of unique line segments composing all the triangles (★★★)考虑一个可以描述10个三角形的triplets，找到可以分割全部三角形的line segmentfaces = np.random.randint(0,100,(10,3))F = np.roll(faces.repeat(2,axis=1),-1,axis=1)F = F.reshape(len(F)*3,2)F = np.sort(F,axis=1)G =F.view( dtype=[(p0,F.dtype),(p1,F.dtype)] )G = np.unique(G)print(G)Given an array C that is a bincount, how to produce an array A such that np.bincount(A) == C? (★★★)给定一个二进制的数组C，如何产生一个数组A满足np.bincount(A)==CC = np.bincount([1,1,2,3,4,4,6])A = np.repeat(np.arange(len(C)), C)print (A)How to compute averages using a sliding window over an array? (★★★)如何通过滑动窗口计算一个数组的平均数?def moving_average(a, n=3) : ret = np.cumsum(a, dtype=float) ret[n:] = ret[n:] - ret[:-n] return ret[n - 1:] - nZ = np.arange(20)print(moving_average(Z, n=3))Consider a one-dimensional array Z, build a two-dimensional array whose first row is (Z[0],Z[1],Z[2]) and each subsequent row is shifted by 1 (last row should be (Z[-3],Z[-2],Z[-1]) (★★★)考虑一个一维数组Z，构造一个2维数组，第一行是(Z[0],Z[1],Z[2])，后面每一行都后移一个元素（最后一行是(Z[-3],Z[-2],Z[-1])) (提示: from numpy.lib import stride_tricks)from numpy.lib import stride_tricksdef rolling(a, window): shape = (a.size - window + 1, window) strides = (a.itemsize,a.itemsize) return stride_tricks.as_strided(a, shape=shape, strides=strides)Z = rolling(np.arange(10), 3)print (Z) How to negate a boolean, or to change the sign of a float inplace? (★★★)如何对布尔值取反，或者原位(in-place)改变浮点数的符号(sign)？Z = np.random.randint(0,2,100)np.logical_not(Z, out=Z)Z = np.random.uniform(-1.0,1.0,100)np.negative(Z, out=Z) Consider 2 sets of points P0,P1 describing lines (2d) and a point p, how to compute distance from p to each line i (P0[i],P1[i])? (★★★)考虑两组点集P0和P1去描述一组线(二维)和一个点p,如何计算点p 到每一条线 i (P0[i],P1[i])的距离？def distance(P0, P1, p): T = P1 - P0 L = (T**2).sum(axis=1) U = -((P0[:,0]-p[.,0])*T[:,0] + (P0[:,1]-p[.,1])*T[:,1]) - L U = U.reshape(len(U),1) D = P0 + U*T - p return np.sqrt((D**2).sum(axis=1))P0 = np.random.uniform(-10,10,(10,2))P1 = np.random.uniform(-10,10,(10,2))p = np.random.uniform(-10,10,( 1,2))print (distance(P0, P1, p)) Consider 2 sets of points P0,P1 describing lines (2d) and a set of points P, how to compute distance from each point j (P[j]) to each line i (P0[i],P1[i])? (★★★)考虑两组点集P0和P1去描述一组线(二维)和一组点集P，如何计算每一个点 j(P[j]) 到每一条线 i (P0[i],P1[i])的距离？# 接上一题的函数P0 = np.random.uniform(-10, 10, (10,2))P1 = np.random.uniform(-10,10,(10,2))p = np.random.uniform(-10, 10, (10,2))print (np.array([distance(P0,P1,p_i) for p_i in p])) Consider an arbitrary array, write a function that extract a subpart with a fixed shape and centered on a given element (pad with a fill value when necessary) (★★★)对于任意一个数组，写一个可以给定中心元素和固定形状，输出数组子集的功能（如果有需要，可自动填充数值）Z = np.random.randint(0,10,(10,10))shape = (5,5)fill = 0position = (1,1)R = np.ones(shape, dtype=Z.dtype)*fillP = np.array(list(position)).astype(int)Rs = np.array(list(R.shape)).astype(int)Zs = np.array(list(Z.shape)).astype(int)R_start = np.zeros((len(shape),)).astype(int)R_stop = np.array(list(shape)).astype(int)Z_start = (P-Rs--2)Z_stop = (P+Rs--2)+Rs%2R_start = (R_start - np.minimum(Z_start,0)).tolist()Z_start = (np.maximum(Z_start,0)).tolist()R_stop = np.maximum(R_start, (R_stop - np.maximum(Z_stop-Zs,0))).tolist()Z_stop = (np.minimum(Z_stop,Zs)).tolist()r = [slice(start,stop) forstart,stop in zip(R_start,R_stop)]z = [slice(start,stop) for start,stop in zip(Z_start,Z_stop)]R[r] = Z[z]print (Z)print (R) Consider an array Z = [1,2,3,4,5,6,7,8,9,10,11,12,13,14], how to generate an array R = [[1,2,3,4], [2,3,4,5], [3,4,5,6], ., [11,12,13,14]]? (★★★)考虑一个数组Z = [1,2,3,4,5,6,7,8,9,10,11,12,13,14],如何生成一个数组R = [[1,2,3,4], [2,3,4,5], [3,4,5,6], .,[11,12,13,14]]? (提示: stride_tricks.as_strided)Z = np.arange(1,15,dtype=np.uint32)R = stride_tricks.as_strided(Z,(11,4),(4,4))print (R)Compute a matrix rank (★★★)计算一个矩阵的秩Z = np.random.uniform(0,1,(10,10))U, S, V = np.linalg.svd(Z) # 奇异值分解rank = np.sum(S 1e-10)print (rank)How to find the most frequent value in an array?(★★★)如何找到一个数组中出现频率最高的值？Z = np.random.randint(0,10,50)print (np.bincount(Z).argmax()) Extract all the contiguous 3x3 blocks from a random 10x10 matrix (★★★)从一个10x10的矩阵中提取出连续的3x3区块Z = np.random.randint(0,5,(10,10))n = 3i = 1 + (Z.shape[0]-3)j = 1 + (Z.shape[1]-3)C = stride_tricks.as_strided(Z, shape=(i, j,n, n), strides=Z.strides + Z.strides)print (C)Create a 2D array subclass such that Z[i,j] == Z[j,i] (★★★)创建一个满足 Z[i,j] == Z[j,i]的子类class Symetric(np.ndarray): def __setitem__(self, index, value): i,j = index super(Symetric, self).__setitem__((i,j), value) super(Symetric, self).__setitem__((j,i), value)def symetric(Z): return np.asarray(Z + Z.T - np.diag(Z.diagonal())).view(Symetric)S = symetric(np.random.randint(0,10,(5,5)))S[2,3] = 42print (S) Consider a set of p matrices wich shape (n,n) and a set of p vectors with shape (n,1). How to compute the sum of of the p matrix products at once? (result has shape (n,1)) (★★★)考虑p个 nxn 矩阵和p个形状为(n,1)的向量，如何直接计算p个矩阵的乘积的和(答案的形状是(n,1))？p, n = 10, 20M = np.ones((p,n,n))V = np.ones((p,n,1))S = np.tensordot(M, V, axes=[[0, 2], [0, 1]])print (S)Consider a 16x16 array, how to get the block-sum (block size is 4x4)? (★★★)对于一个16x16的数组，如何得到一个区域(block-sum)的和(区域大小为4x4)?Z = np.ones((16,16))k = 4S = np.add.reduceat(np.add.reduceat(Z, np.arange(0, Z.shape[0], k), axis=0), np.arange(0, Z.shape[1], k), axis=1)print (S)How to implement the Game of Life using numpy arrays? (★★★)如何利用numpy数组实现Game of Life?def iterate(Z): N = (Z[0:-2,0:-2] + Z[0:-2,1:-1] + Z[0:-2,2:] + Z[1:-1,0:-2] + Z[1:-1,2:] + Z[2: ,0:-2] + Z[2: ,1:-1] + Z[2: ,2:]) # 游戏规则 birth = (N==3) (Z[1:-1,1:-1]==0) survive = ((N==2) | (N==3)) (Z[1:-1,1:-1]==1) Z[.] = 0 Z[1:-1,1:-1][birth | survive] = 1 return ZZ = np.random.randint(0,2,(50,50))for i in range(100): Z = iterate(Z)print (Z)How to get the n largest values of an array (★★★)如何找到一个数组的第n个最大值?Z = np.arange(10000)np.random.shuffle(Z)n = 5# 慢print (Z[np.argsort(Z)[-n:]])# 方法2，快print (Z[np.argpartition(-Z,n)[:n]])Given an arbitrary number of vectors, build the cartesian product (every combinations of every item) (★★★)给定任意个数向量，创建笛卡尔积(每一个元素的每一种组合)def cartesian(arrays): arrays = [np.asarray(a) for a in arrays] shape = (len(x) for x in arrays) ix = np.indices(shape, dtype=int) ix = ix.reshape(len(arrays), -1).T for n, arr in enumerate(arrays): ix[:, n] = arrays[n][ix[:, n]] return ixprint (cartesian(([1, 2, 3], [4, 5], [6, 7])))How to create a record array from a regular array? (★★★)如何从一个正常数组创建记录数组(record array)?Z = np.array([(Hello, 2.5, 3), (World, 3.6, 2)])R = np.core.records.fromarrays(Z.T, names=col1, col2, col3, formats = S8, f8, i8)print (R)Consider a large vector Z, compute Z to the power of 3 using 3 different methods (★★★)考虑一个大向量Z, 用三种不同的方法计算它的立方x = np.random.rand()np.power(x,3)# 方法2x*x*x# 方法3np.einsum(i,i,i-i,x,x,x)Consider two arrays A and B of shape (8,3) and (2,2). How to find rows of A that contain elements of each row of B regardless of the order of the elements in B? (★★★)考虑两个形状分别为(8,3) 和(2,2)的数组A和B. 如何在数组A中找到满足包含B中元素的行？(不考虑B中每行元素顺序)？A = np.random.randint(0,5,(8,3))B = np.random.randint(0,5,(2,2))C = (A[., np.newaxis, np.newaxis] == B)rows = np.where(C.any((3,1)).all(1))[0]print (rows)Considering a 10x3 matrix, extract rows with unequal values (e.g. [2,2,3]) (★★★)考虑一个10x3的矩阵，分解出有不全相同值的行 (如 [2,2,3])Z = np.random.randint(0,5,(10,3))print (Z)# 方法一，适用于所有类型的数组，包括字符数组以及record arrayE = np.all(Z[:,1:] ==Z[:,:-1], axis=1)U = Z[~E]print (U)# 方法2，只适用于数字类型数组U = Z[Z.max(axis=1) != Z.min(axis=1),:]print (U)Convert a vector of ints into a matrix binary representation (★★★)将一个整数向量转换为matrix binary的表现形式(★★★)I = np.array([0, 1, 2, 3, 15, 16, 32, 64, 128])B = ((I.reshape(-1,1) (2**np.arange(8))) != 0).astype(int)print(B[:,::-1])# 方法2print (np.unpackbits(I[:, np.newaxis], axis=1))Given a two dimensional array, how to extract unique rows? (★★★)给定一个二维数组，如何提取出唯一的(unique)行?Z = np.random.randint(0,2,(6,3))T = np.ascontiguousarray(Z).view(np.dtype((np.void, Z.dtype.itemsize * Z.shape[1])))_, idx = np.unique(T, return_index=True)uZ = Z[idx]print (uZ)Considering 2 vectors A B, write the einsum equivalent of inner, outer, sum, and mul function (★★★)考虑两个向量A和B，写出用einsum等式对应的inner, outer, sum, mul函数A = np.random.uniform(0,1,10)B = np.random.uniform(0,1,10)print (sum)print (np.einsum(i-, A))#np.sum(A)print (A * B)print (np.einsum(i,i-i, A, B)) # A * Bprint (inner)print (np.einsum(i,i, A, B)) # np.inner(A, B)print (outer)print (np.einsum(i,j-ij, A, B)) # np.outer(A, B) Considering a path described by two vectors (X,Y), how to sample it usin g equidistant samples (★★★)?考虑一个由两个向量描述的路径(X,Y)，如何用等距样例(equidistant samples)对其进行采样(sample)?phi = np.arange(0, 10*np.pi, 0.1)a = 1x = a*phi*np.cos(phi)y = a*phi*np.sin(phi)dr = (np.diff(x)**2 + np.diff(y)**2)**.5 # segment lengthsr = np.zeros_like(x)r[1:] = np.cumsum(dr) # integrate pathr_int = np.linspace(0, r.max(), 200) # regular spaced pathx_int = np.interp(r_int, r, x) # integrate pathy_int = np.interp(r_int, r, y)Given an integer n and a 2D array X, select from X the rows which can be interpreted as draws from a multinomial distribution with n degrees, i.e., the rows which only contain integers and which sum to n. (★★★)给定一个整数n和一个2D数组X，从X中选出行，满足n次多项式分布，即行内只有整数且相加为nX = np.asarray([[1.0, 0.0, 3.0, 8.0], [2.0, 0.0, 1.0, 1.0], [1.5, 2.5, 1.0, 0.0]])n = 4M = np.logical_and.reduce(np.mod(X, 1) == 0, axis=-1)M = (X.sum(axis=-1) == n)print (X[M])Compute bootstrapped 95% confidence intervals for the mean of a 1D array X，i.e. resample the elements of an array with replacement N times, compute the mean of each sample, and then compute percentiles over the means. (★★★对于一个一维数组X，计算它boostrapped之后的95%置信区间的平均值。