在进行两两比较之前，我们最后先做一个协方差分析，在前面的文章讲了如何进行协方差分析，如果写反差分析显示出来了显著的结果，然后再进行两两的事后检验，下面是具体的过程：
方法/步骤

• 先进行协方差分析，结果如果达到了显著水平，在进行两两比较，在菜单栏上执行analyze–general linear model–univariate

• 将自变量、因变量、斜变量都放到相应的位置，这里评定得分是因变量，培训方式是自变量、家庭指数是斜变量

• 点击options按钮，进入子对话框

• 将培训方式，也就是自变量放到右侧的列表里，勾选下面的描述统计和方差齐性检验，点击继续按钮

• 点击model按钮，选择模型

• 选择full factorial，然后点击continue按钮，返回主对话框

• 点击paste按钮，进入命令编辑窗口

• 在这里你会看到很多代码，我们留下前三行，如图所示，然后删除其他的行

• 编辑下面的六行代码，使用的是lmatrix命令，我们知道培训方式有三个水平，所以要进行三次两两比较才能将所有的水平进行比较。

• 点击运行按钮，开始处理数据

• 在出来的结果中，我们主要看的是定制假设检验，因为上面的命令中用了三次LMATRIX，所以会有三个定制假设检验，我们主要看下面的sig值，如图所示，这个值小于0.05就可以认为是有差异的

转载请注明来自DataScience.

邮箱: 675495787@qq.com

关于Excel的文本和日期格式的问题都很头疼，在开始今天这个实例之前建议你看看我之前写的一篇文章，主要讲了如何识别文本和日期格式、以及文本和日期的互转：http://jingyan.baidu.com/article/8cdccae965815c315413cdfc.html。今天我们用一个实例来说明上一篇文章讲到的知识点。

• 根据上一篇文章我们知道，D列虽然显示的是日期格式，但是实际上它是文本，Excel并没有把它当日期，因为Excel无法识别这样的日期格式，只能当文本了。

• 为了转换为日期，那就需要让Excel识别它，使用替换的方法将其转换为2013-1-1的格式。也就是用“-”替换“-”。

• 你会发现它变成了这个样子

• 现在，我们想要这个样式变一下，变成我们想要的2013-1-1的样式，同时单元格格式转换为文本。那我们用到了一个公式TEXT，在E2单元格输入公式=TEXT(D2,”yyyy-m-d”)，回车看一下结果。

• 快速填充下面的单元格，这样就完成了所有的样式转换

• 整个过程其实就是从文本到日期再到文本的过程。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

countif函数时我们经常用到的函数之一，经过组合它可以求得任何我们想要的计数结果，下面是具体的用法：

• 假如我们要统计男女生的人数，我们可以在E5单元格输入公式=COUNTIF(A2:A21,”男”)；公式中A2:A21是我们计数的范围，第二个参数“男”表示对单元格中为男的计数

• 同样的，在F5单元格输入公式也可以求得女生人数：=COUNTIF(A2:A21,”女”)

• 假如我们要统计成绩大于60的人数

• 我们可以在单元格中输入公式=COUNTIF(B2:B21,”>=60”)

• 假如我们要计算一个区间内的人数，我们可以使用两个countif函数，运用减法就可以算出来，下面是计算成绩在60到65之间的个数

转载请注明来自DataScience.

邮箱: 675495787@qq.com

我们看到的菜单中多半是有一个图标的，那么今天我们就来做一个菜单，菜单选项左侧有一个图标。要达到这个目的我们必须手动创建一个选项。下面是今天代码的全部：由于这些大部分代码在之前的文章中有讲解，所以这篇文章就着重讲不同的部分。

• 先创建一个选项：注意第二个参数设定了该选项的id，以后绑定方法的时候可以用id来表示该选项

• 设置选项的图标用到了方法：SetBitmap，该方法需要传入一个Bitmap对象：exit.jpg是我自己做的一个图片

• 将创建好的选项添加到菜单

• 将选项与方法绑定，这样点击该菜单选项就能执行OnQuit动作。注意现在用id来表示跟哪个选项进行的绑定，因为我们在

• 这是最后做出来的效果图

转载请注明来自DataScience.

邮箱: 675495787@qq.com

结构方程模型的分析遵循严格的步骤，在今天这一节我们着重探讨一下使用amos进行结构方程分析时需要的流程，下面这个是整个的流程图。

• 第一个步骤是相关理论研究，这里主要要明白自己所做的是什么研究，主要的变量有哪些；查看前人的文献来考察这几个变量之间是否相关，正相关还是负相关，是否存在因果关系。当这几个变量的相互关系都基本了解以后，你可以进入下一个阶段了。

• 界定测量模型：前面的文章已经介绍过什么是测量模型了，如果你还不知道什么是测量模型，可以看下面参考资料的内容。界定测量模型首先你要知道那几个变量是通过测量得到的，比如主观幸福感需要使用主观幸福感量表来测定，如果有些变量没有成熟的量表来测定，你需要使用几个指标来作为操作定义，比如“学业成就”可以用四六级英语成绩和其他学习成绩的总分来计算。这个步骤主要的目的就是知道所有的变量都是如何测定的。为了让得到的模型具有可识别性，每个测量模型需要只有少两个指标变量。

• 界定结构模型：确定潜在变量之间的关系，绘制关系图。这时候你需要利用第一步中获得的只是来绘制关系图，也就是变量之间的关系。

• 测量抽样调查：这时候就是你做实验或者做调查的阶段了，从总体中随机抽样，然后根据测量模型对变量进行测定。得到数据。

• 模型参数判别：这时候你已经在amos中绘制好了结构方程模型的图形，图中出现的各个参数需要进行估计，这个过程就是得出各个路径的系数。

• 模型适配：根据得到的模型参数来判断模型是否合适。以后我们会专门介绍如何判断得到的模型是否合适，如果不合适该怎么做，现在你的知识有限，所以我们先不作介绍。这一步如果模型合适就可以进入下一步，如果模型不合适需要返回到第二步重新界定测量模型。

• 假如模型合适，这时候我们需要根据自己的专业知识来对结构方程模型进行解释，得出因果关系。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

经过前几篇文章的努力，我们终于到了真正的教程，今天就来教大家如何绘制测量模型，关于测量模型是什么，你可以参考前面的文章，有专门的介绍，现在我们就打开amos，开始绘制。

• 打开amos，先新建一个文件，在菜单上执行：file–new

• 接着我们看到这个按钮就是添加潜变量的按钮，点击一次，选中这个工具，然后在画布上拖动可以绘制一个椭圆，这就是潜变量了

• 接着在椭圆上连续点击四次，可以绘制四个指标变量，得到下面这个图，我们看到这个图的第一个指标变量默认的路径系数是1，这是系统自动添加的，只是给测量一个标准，不必在意太多

• 接着我们要调整格式，假如要调整指标变量，也就是矩形的大小，我们要先选中，选择如图所示的选择工具，依次点击矩形就可以将其选中，选中的矩形呈现蓝色边框

• 接着我们看到有一个改变大小的工具，选中它，然后拖动矩形的一个角就可以任意改变大小

• 取消选择的工具，如图所示

• 接下来要给变量命名，我们使用菜单中的plugins–name unobserved variables，变量就会自动命名了。如图所示。

• 好了，今天我们就绘制了一个测量模型，下一篇文章我们要学习如何复制测量模型，如何调整指标变量的位置。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

shape函数是numpy.core.fromnumeric中的函数，它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度。它的输入参数可以使一个整数表示维度，也可以是一个矩阵。这么说你可能不太理解，我们还是用各种例子来说明他的用法：

• 一维矩阵[1]返回值为(1L,)

• 二维矩阵，返回两个值

• 一个单独的数字，返回值为空

• 我们还可以将shape作为矩阵的方法来调用，下面先创建了一个单位矩阵e

• 我们可以快速读取e的形状

• 假如我们只想读取e的第一维度长度，使用shape[0]

转载请注明来自DataScience.

邮箱: 675495787@qq.com

如果你使用git来管理代码版本，你必须懂得如何使用.gitignore文件，该文件可以指定git忽略哪些文件，在git中的作用非常重要。在理解gitignore的配置之前，我们要先看看这些规则都可以来自哪里。通常git可以从多个地方获取忽略规则，优先级从上到下依次为：

• .gitignore文件适合写于项目有关的规则，并且这些规则需要与合作者分享。

• $GIT_DIR/info/exclude适用于与项目有关，但是你不想分享给其他作者，这些规则可能只适用于你自己。

• core.excludesFile适用于你在任何情况下都需要忽略的规则。这种情况不常用。

• 空行不匹配任何文件，所以空行通常是规则分组的分隔符，只是在视觉上将不同的规则分组。

• 以#开始的行代表注释，所以也不匹配任何文件。

• 末尾的空格没有任何意义，如果你想匹配空格，你需要在空格前加转义字符``。

• 例如：a 这种写法可以匹配a

• 感叹号!的作用是从已有的忽略规则里排除一部分文件。注意想要让感叹号起作用，必须在前规则中使用通配符*。例如：

• 前规则写成：.env/*

• 想要追踪.env文件夹下的data.txt，需要追加一个规则：!.env/data.txt

• 如果前规则写成.env，则!.env/data.txt不起作用。

• 如果规则以/结尾，则表示匹配文件夹, 类似的文件和链接都不会匹配。

• 如果规则中不包含/，则规则即可匹配文件夹也可以匹配文件和链接，类似于linux shell中的通配符，可以匹配任何可以与通配符匹配的路径。

• 通配符无法匹配符号/，所以类似这样的规则foo/*.html不能匹配foo/bar/test.html。

• 规则以/开头表示匹配.gitignore文件所在的目录。也就是说规则/*.txt只能匹配.gitignore所在目录下的所有txt文件，不能匹配其他目录下的txt文件。

• 以**/开头的规则表示匹配所有文件夹，规则**/a/b能匹配foo/a/b也能匹配foo/bar/a/b

• 以/**结尾的规则表示匹配目录下所有文件和文件夹，规则a/b/**能匹配/a/b/c也能匹配a/b/c/d/e

• 规则中间包含/**/表示匹配任意路径，比如规则a/**/b可以匹配a/foo/bar/b和a/e/m/c/b。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

矩阵的转置很简单，就是将矩阵的行变为列，将列变为行，我们先通过例子看一下矩阵转置是怎么做的。然后验证几个规律。

• 先创建一个矩阵A

• 我们使用属性T来得到矩阵A的转置矩阵

• 我们验证第一个性质：(A’)’=A

• 再创建两个尺寸相同的矩阵

• 验证矩阵转置的第二个性质：(A±B)’=A’±B’

• 验证矩阵转置的第三个性质：(KA)’=KA’

• 验证矩阵转置的第四个性质：(A×B)’= B’×A’

• 本文用到的所有代码如下：

• A

• array([[1, 2, 3],

•    [4, 5, 6]])
  

• A.T

• array([[1, 4],

•    [2, 5],
  

•    [3, 6]])
  

• A.T.T

• array([[1, 2, 3],

•    [4, 5, 6]])
  

• B

• array([[1, 4],

•    [2, 5],
  

•    [3, 6]])
  

• D

• array([[0, 3],

•    [1, 4],
  

•    [2, 5]])
  

• (B+D).T

• array([[ 1, 3, 5],

•    [ 7,  9, 11]])
  

• B.T+D.T

• array([[ 1, 3, 5],

•    [ 7,  9, 11]])
  

• 10*A.T

• array([[10, 40],

•    [20, 50],
  

•    [30, 60]])
  

• (10*A).T

• array([[10, 40],

•    [20, 50],
  

•    [30, 60]])
  

• np.dot(A,B).T

• array([[14, 32],

•    [32, 77]])
  

• np.dot(A.T,B.T)

• array([[17, 22, 27],

•    [22, 29, 36],
  

•    [27, 36, 45]])
  

• np.dot(B.T,A.T)

• array([[14, 32],

•    [32, 77]])
  

转载请注明来自DataScience.

邮箱: 675495787@qq.com

如果不创建pattern对象，我们使用match函数可以直接进行正则表达式的匹配，在我看来这种方式更简洁，不过不适合大型程序的编写，后期维护可能会产生困难，不过编写一些小脚本完全可以胜任。

• 先引入re模块

• 使用match函数返回一个match对象

• 使用group方法输出所有匹配的字符串

• 我们看一下m的数据类型。

• 我们还可以用简单的写法来获得所有匹配的字符串。

转载请注明来自DataScience.

邮箱: 675495787@qq.com