当前位置:&&
EXCEL电子表格在测量计算中的应用测量,计算,检测,电子表格在,应用,测量中的,计算..
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
EXCEL电子表格在测量计算中的应用
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://jz.docin.com/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口豆丁微信公众号
君，已阅读到文档的结尾了呢~~
excel编程27264
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
excel编程27264
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://www.docin.com/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口已解决问题
别人给我一组EXCEL数据，其中频率的单位是rad/s，我现在想把频率单位改成Hz,请问怎么改啊
我用查找替换方法试了，只是将单位改了，数据却没变啊，麻烦说的详细点啊，谢谢了，我现在的问题是不知道怎么把已有数据除以 2*3.1415926，麻烦高手指点
浏览次数：3013
用手机阿里扫一扫
最满意答案
所有的数据&都除以&2*3.1415926单位用查找替换，查找rad/s，替换为Hz
答案创立者
以企业身份回答&
正在进行的活动
生意经不允许发广告，违者直接删除
复制问题或回答，一经发现，拉黑7天
快速解决你的电商难题
店铺优化排查提升2倍流量
擅长&nbsp 店铺优化
您可能有同感的问题
扫一扫用手机阿里看生意经
问题排行榜
当前问题的答案已经被保护，只有知县（三级）以上的用户可以编辑！写下您的建议，管理员会及时与您联络！
server is ok您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
Excel内嵌VBA和COM代码在测量计算中的应用.pdf 6页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
你可能关注的文档：
··········
··········
浙江林学院学报)：83—87
ofZhejiangForestryCollege
陈永刚，施拥军，汤孟平，徐文兵
(浙江林学院环境科技学院，浙江临安311300)
摘要：为了能够解决测量平差计算烦琐复杂和人工编写Cass展点文件容易出错的问题，提出一种在Excel中嵌入VBA
江林学院数字植物园的1：500大比例尺基础地形图测绘工作中，利用该方法快速准确地进行了25个点的闭合测量导
线平差计算和近1．2万个展点文件的自动生成，计算结果均准确无误。该方法可使测量导线平差计算和Cass展点文
件生成变得简单方便高效。图5参15
关键词：工程测量；测量平差；格式转换；VBA代码；COM模块；Excel应用
中图分类号：TB22；$7711
文献标志码：A
文章编号：08)01-0083-05
MeasurementsandcalculationswithembeddedVBA
andCOMcodesinExcel
Yong—gang，SHIYong-jun，TANGMeng—ping，XUWen-bing
ofEnvironmental
Technology，ZhejiangForestryCollege，Lin’all311300，Zhejiang，China)
Abstract：Theaim
calculationsofmeasurement
adjustment points’filescomputer
search,service(CASS)automatically．Instudy，visual
wereembeddedintoMicrosoftExcel．Calculationsof
componentobjectmodel(COM)codes
measurementswere
created．Withthis
simplifiedpoint
CASS automatically
method，first
COMmoduleswith
convertsandCASS
pointsusing
moduleswereusedwithVBAcodeinExcelSOthatmeasurement
developed．Then，COM
adjustments
werecalculatedand
methodwasusedfor
created．nis
topographic
automatically
from1：500
botanicalof
Forestry with pointsbeing
large—scalemaps
gardenZhejiang College
calculated
正在加载中，请稍后...统计系学生，一直觉得学会R就可以一劳永逸，但是最近在做NN方面的研究时才发现了Python的强大。&br&&br&这种工具学习起来都有一个特点：纸上得来终觉浅，从书上学到的理论知识一定要啊经过项目的洗礼，才能真正掌握。&br&&br&&ol&&li&先说说R吧。&br&&/li&&/ol&&ul&&li&如果你有统计基础，学过数理统计，那么R会上手快一些，推荐一本书&b&《R in action》&/b&，中文叫&b&《R语言实战》&/b&。作为统计系学生，我当初看了很多本书，这种R学习的书大部分内容都是重复的，所以看得多了除了加深下印象之外没什么其它用处，挑一本啃透了就足够了。个人觉得这本写的东西比较全面，看这本就够了。（相信我，内容相似的书不是看的越多越好，有那时间还不如去练习代码，找找项目做呢）&/li&&br&&li&如果你是统计小白，那么建议你先学习下数理统计，初步了解一些统计原理，再去学R会好一些。那对于这样的同学推荐薛毅的&b&《统计建模与R软件》&/b&，里面不光有数理统计的知识，还包含了很多线性回归，聚类分析的知识，很适合作为启蒙老师。ps：一定要练习里面的例子！一定要练习里面的例子！一定要练习里面的例子！（三遍）&/li&&br&&li&ggplot2：掌握了这些之后推荐学习下ggplot2，一种非常强大的R语言画图包，绝对画图神器。就凭这个包，使R在画图方面完爆其他工具。推荐看《ggplot2:数据分析与图形艺术》这本书，写的非常好，不过一定要反复练习里面的代码。（这本书也是大Springer家的）&/li&&/ul&以上是一些统计理论及基本R算法。那么对于线性回归、时间序列、数据挖掘这种比较重要的统计学科，比较扎实的学习方式是先了解理论，再进行实践。&br&&ul&&li&线性回归：线性回归建模还是比较容易的。推荐看这本书：《&b&Linear Models with R》&/b&（最好有线性回归基础）&/li&&br&&li&时间序列是Springer出版社的&b&《Time Series Analysis and Its Applications》&/b&。我当时用的是黄皮的，不过新版好像是蓝皮的。这两本书里面的讲解以及R语言示例都棒棒的！不过由于Time Series本来就比较难，如果数学功底太弱的话学起来会相当吃力。最好学过数学分析、傅立叶变换。&/li&&/ul&在这里强烈Springer出版的R语言的书，如果你能找到电子版资源的话（自从微盘不能用了之后心都碎了。。。虽然支持正版，但是对于穷学生而言实在太尼玛贵了！），看过的再比如Statistical and Data Analysis for Financial Engineering都非常好。&br&&ul&&li&数据挖掘：对于数据挖掘，薛毅的书里涵盖了大部分方法，不过要想系统地学习，推荐看韩家炜的&b&《数据挖掘-概念与技术》&/b&。然后示例的话看这个吧：&b&《R语言数据分析与挖掘实战 》&/b&&br&&/li&&/ul&链接：&a href=&//link.zhihu.com/?target=https%3A//www.amazon.cn/R/dp/B016W9HF9G/ref%3Dtmm_pap_swatch_0%3F_encoding%3DUTF8%26qid%3D%26sr%3D1-2& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&amazon.cn/R/dp/B016W9HF&/span&&span class=&invisible&&9G/ref=tmm_pap_swatch_0?_encoding=UTF8&qid=&sr=1-2&/span&&span class=&ellipsis&&&/span&&/a&&br&数据挖掘绝对是任何搞统计的一定要掌握的学科。想必大家都听过机器学习吧，这个听起来高端的学科就是数据挖掘的一个重要分支。在一个统计项目中，数据挖掘工作所占的比例绝对超过90%，后续的建模才比较容易。所以，数据挖掘的重要性想必不言而喻了ba。（有点夸张，但是是事实哦）&br&&br&以上就是一些基本的统计topic的学习方法（好像有点跑题了），还有一些其它方面的研究比如量化什么的就看个人兴趣了。掌握了以上知识估计学习起来也不费劲了，资源的话&b&GitHub&/b&、&b&统计之都&/b&上面也有大把。再不济你找到R语言的相关包，一个一个研究里面的函数用法也可以。&br&&br&2. R就说到这里，下面来说说Python&br&&br&Python是我最近才学习的，趁热打铁，来说下我的学习路线：&br&（参考了&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&针对Quant的Python快速入门指南 - vn.py - 知乎专栏&/a&）&br&网上Python的学习资源相当多，基本各种包都有&b&Tutorial Documents&/b&（大部分还有中文版的），GitHub里都有examples代码，相当容易上手。&br&&br&R中实现各种功能的函数包含在不同的包里，而Python则是在库中。&br&常用的做数据分析的库有：Numpy、Scipy、Pandas、Matplotlab、StatsModels、Scikit－Learn、Keras以及Gensim，以上基本是所有数据分析与数据挖掘的库。&br&用法如下：&br&&figure&&img src=&https://pic4.zhimg.com/50/448ed6c8ed4ba07eee0d_b.jpg& data-rawwidth=&1242& data-rawheight=&451& class=&origin_image zh-lightbox-thumb& width=&1242& data-original=&https://pic4.zhimg.com/50/448ed6c8ed4ba07eee0d_r.jpg&&&/figure&&br&首先，学习Python的基本用法，比如函数、类、模块之类的。因为本人有C＋＋、R的基础，所以这部分掌握起来还算蛮容易的。推荐Python的中文学习文档：&a href=&//link.zhihu.com/?target=http%3A//www.pythondoc.com/pythontutorial27/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python 入门指南&/a&，把这个先看几遍、练几遍，理解了之后再学习其他的。&br&&br&接下来，推荐看一本书，也就是大多数人推荐的&b&《利用Python进行数据分析》，&/b&学习Python圣经一般的书，链接在这里：&a href=&//link.zhihu.com/?target=https%3A//www.amazon.cn/%25E5%%25E7%Python%25E8%25BF%259B%25E8%25A1%258C%25E6%%25E6%258D%25AE%25E5%E6%259E%2590-Wes-McKinney/dp/B00KD7Q7U2/455-1506%3Fie%3DUTF8%26%3B%3B%3B%3B%3B%3B%3B%3B%3B%3B%3B%3B%252aVersion%252a%3D1%26%252aentries%252a%3D0& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&amazon.cn/%E5%88%A9%E7%&/span&&span class=&invisible&&94%A8Python%E8%BF%9B%E8%A1%8C%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90-Wes-McKinney/dp/B00KD7Q7U2/455-1506?ie=UTF8&;;;;;;;;;;;;%2aVersion%2a=1&%2aentries%2a=0&/span&&span class=&ellipsis&&&/span&&/a&
建议先看这本书的附录，巩固一下Python语法，再看前面的。本书详细介绍了Numpy和Pandas的用法，这两个库是最基本的了，一定要掌握。&br&&br&然后，需要你尝试一些案例，来熟悉那些库和函数的用法。我用的书是：《Python数据分析与挖掘实战》，封面挺好看的，链接在这：&a href=&//link.zhihu.com/?target=https%3A//www.amazon.cn/Python/dp/B018I6YXWS/ref%3Dtmm_pap_swatch_0%3F_encoding%3DUTF8%26qid%3D%26sr%3D1-1& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&amazon.cn/Python/dp/B01&/span&&span class=&invisible&&8I6YXWS/ref=tmm_pap_swatch_0?_encoding=UTF8&qid=&sr=1-1&/span&&span class=&ellipsis&&&/span&&/a&
里面案例很多，还都是挺常见的。&br&&br&对于其他的库，书籍资料不是很多，但是网上的学习文档相当多，官方出品，写的都很好，代码也很详尽。看这些就足够了。上链接：&br&&p&Python中文官方手册： &a href=&//link.zhihu.com/?target=https%3A//docs.python.org/3/tutorial/interpreter.html%23invoking-the-interpreter& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&2. Using the Python Interpreter&/a&&/p&&p&Matplotlib: &a href=&//link.zhihu.com/?target=http%3A//matplotlib.org/1.5.1/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&matplotlib: python plotting&/a&&/p&&p&Numpy： &a href=&//link.zhihu.com/?target=http%3A//www.numpy.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&NumPy — Numpy&/a&&/p&&p&Scipy： 中文版 &a href=&//link.zhihu.com/?target=http%3A//scipy-lectures.cn/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Scipy Lecture Notes&/a&&/p&&p&Scikit-learn: &a href=&//link.zhihu.com/?target=http%3A//scikit-learn.org/stable/tutorial/basic/tutorial.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&An introduction to machine learning with scikit-learn&/a&&br&&/p&&p&Pandas： &a href=&//link.zhihu.com/?target=http%3A//pandas.pydata.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python Data Analysis Library&/a&&/p&&p&Cvxopt: &a href=&//link.zhihu.com/?target=http%3A//cvxopt.org/userguide/spsolvers.html%23positive-definite-linear-equations& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Sparse Linear Equations&/a&&/p&&p&Keras: &a href=&//link.zhihu.com/?target=http%3A//keras.io/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Keras Documentation&/a&&/p&&p&
中文版： &a href=&//link.zhihu.com/?target=http%3A//keras-cn.readthedocs.io/en/latest/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Keras中文文档&/a&&/p&&p&Theano： &a href=&//link.zhihu.com/?target=http%3A//deeplearning.net/software/theano/tutorial/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Tutorial — Theano 0.8.2 documentation&/a&&/p&&br&&br&ok，以上就是对于R和Python的一些不成熟的小建议，没什么逻辑但是把想说的也都说了，之后想到什么再修改哈?&br&&br&欢迎统计的朋友或者做量化的朋友多多交流下～
统计系学生，一直觉得学会R就可以一劳永逸，但是最近在做NN方面的研究时才发现了Python的强大。 这种工具学习起来都有一个特点：纸上得来终觉浅，从书上学到的理论知识一定要啊经过项目的洗礼，才能真正掌握。 先说说R吧。 如果你有统计基础，学过数理统计…
前面有的同学说到lasso，正好最近有学习lasso,顺便写了个总结，贴到了个人博客，有兴趣的同学可以看链接：&a href=&//link.zhihu.com/?target=http%3A//yphuang.github.io/-The-lasso-method-implementation/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Lasso Method Implementation&/a&。&br&&br&文章比较长，格式不好修改，这里，贴一下实现的代码。&br&&br&&b&lasso的R实现&/b&&br&&br&lasso的实现可以采用glmnet包。glmnet包作者是Friedman, Hastie, and Tibshirani这三位统计学习领域的大牛，可信度无可置疑。&br&&br&这个包采用的算法是循环坐标下降法（cyclical coordinate descent），能够处理的模型包括 linear regression,logistic and multinomial regression models, poisson regression 和 the Cox model，用到的正则化方法就是l1范数（lasso）、l2范数（岭回归）和它们的混合 （elastic net）。&br&&br&这里，给出一个实现lasso的示例。&br&&br&数据来源于ISLR包中的Hitters数据集，该数据集描述了美国1986年和1987年的棒球运动员相关数据。我们来探究一下对运动员薪水起主要作用的因素有哪些。&br&&br&&div class=&highlight&&&pre&&code class=&language-text&&```{r, echo=TRUE,message=FALSE,warning=FALSE}
library(ISLR)
str(Hitters)
Hitters&-na.omit(Hitters)
## sampling
x&-model.matrix(Salary~.,Hitters)[,-1]
y&-Hitters$Salary
set.seed(1)
train&-sample(1:nrow(x),nrow(x)/2)
test&-(-train)
y.test&-y[test]
## ridge regression
library(glmnet)
grid&-10^seq(10,-2,length = 100)
ridge.mod&-glmnet(x,y,alpha = 0,lambda = grid)
plot(ridge.mod, main = &The ridge&)
## the lasso
lasso.mod&-glmnet(x[train,],y[train],alpha = 1,lambda = grid)
plot(lasso.mod, main = &The lasso&)
&/code&&/pre&&/div&&figure&&img src=&https://pic3.zhimg.com/50/c362b3fabb0be04ca32d65_b.jpg& data-rawwidth=&1465& data-rawheight=&760& class=&origin_image zh-lightbox-thumb& width=&1465& data-original=&https://pic3.zhimg.com/50/c362b3fabb0be04ca32d65_r.jpg&&&/figure&&br&&figure&&img src=&https://pic2.zhimg.com/50/b83d2bd11b59e01ad4c8b_b.jpg& data-rawwidth=&1456& data-rawheight=&758& class=&origin_image zh-lightbox-thumb& width=&1456& data-original=&https://pic2.zhimg.com/50/b83d2bd11b59e01ad4c8b_r.jpg&&&/figure&&br&从上面两幅图对比可知，the lasso相比起ridge regression，在压缩变量方便表现更出色。&br&&br&当然，你还可以使用这个包内部的交叉验证函数对$\lambda$进行参数优化，使得模型更具有稳健性。&br&&br&&div class=&highlight&&&pre&&code class=&language-text&&```{r}
## cross-validation
set.seed(1)
cv.out&-cv.glmnet(x[train,],y[train],alpha = 1)
plot(cv.out)
bestlam&-cv.out$lambda.min
lasso.pred&-predict(lasso.mod,s = bestlam,newx = x[test,])
mean((lasso.pred - y.test)^2)
out&-glmnet(x,y,alpha = 1,lambda = grid)
lasso.coef&-predict(out,type = &coefficients&,s = bestlam)[1:20,]
lasso.coef
(Intercept)
18.5394844
NewLeagueN
## -103.4845458
&/code&&/pre&&/div&&br&可见，很多变量的系数确实被压缩至零。&br&&br&&b& lasso的优缺点分析&/b&&br&&br&- 相比较于其他变量选择方法，如：best subset，Partial Least Squares(偏最小二乘)，Principal components regression(主成分回归)，the lasso和ridge regression对参数的调整是连续的，并不是一刀切的。&br&&br&- the lasso相比于ridge regression的优势在于压缩变量表现更出色。&br&&br&- 但是，正如前面所说，lasso还是会有一些潜在的问题，有时候，elastic net等其他的一些lasso的变形会是更好的选择。&br&&br&&b&参考文献&/b&&br&&br&- The Elements of Statistical Learning: Data Mining, Inference and Prediction. Second edition&br&&br&- An Introduction to Statistical Learning with R&br&&br&- [线性回归建模–变量选择和正则化（1）：R包glmnet](&a href=&//link.zhihu.com/?target=http%3A//site.douban.com/182577/widget/notes//note//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&线性回归建模&/a&)
前面有的同学说到lasso，正好最近有学习lasso,顺便写了个总结，贴到了个人博客，有兴趣的同学可以看链接：。 文章比较长，格式不好修改，这里，贴一下实现的代码。 lasso的R实现 lasso的实现可以采用glmnet包。glmnet包作者…
&blockquote&&a href=&http://zhuanlan.zhihu.com/p/& class=&internal&&连玉君主讲-2018暑期Stata现场班报名中……&/a&&br&（北京7.23-8.2、山西8.3-8.8、广东8.21-23）&/blockquote&&p&&br&&/p&&ul&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/af6fb0448297& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&2018暑期 - Stata现场班（北京、山西、广东）&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/cbc0& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&连玉君主讲-2018暑期Stata研讨班(7.23-8.2)&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/012d8a6159cf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：边际效应分析&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/8c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Finance: Top 50 Cited Articles of All Time&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/aeef46b52e92& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&新书: The SAGE Handbook of Regression Analysis and Causal Inference&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/405eb1dff559& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 断点回归分析 (RDD) 文献和命令&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/538ed1805004& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 两本断点回归分析 (RDD) 易懂教程&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/3& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Abadie 新作: 简明 IV, DID, RDD 教程和综述&/a&&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/fbdebf3283d0& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&合成控制法：一组文献&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/af& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：面板中如何合理控制不可观测的异质性特征&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/2daa32e65de3& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&【乐云+百度网盘】收作业模式介绍&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/357ec772ef92& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：投入-产出表分析利器 icio&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/c3f6cde92d5e& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 倍分法(DID)板书&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/76b78af068f5& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&屏幕涂鸦和缩放：ZoomIt (教师利器)&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/7af58033dc24& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：图示连续变量的边际效应(交乘项)&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/069bb26ad842& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&普林斯顿Stata教程 - Stata做图&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/f0aa1d0bcf79& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&普林斯顿Stata教程 - Stata数据管理&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/916ddc3948d6& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&普林斯顿Stata教程 - Stata编程&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/55baf7d03dd3& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 姑娘的生日礼物&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/60a& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 实时估计个股贝塔(beta)系数&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/de82fdc2c18a& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata连享会推文列表&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/bb4bc07cea86& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：配对对象的均值 (俄罗斯方块移动)&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/bc& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：今天你 “table” 了吗？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/1db2500b02bb& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：文字型日期格式的转换&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/6cf8675bce33& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 我的程序多久能跑完？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/a4c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：多期倍分法 (DID) 图示&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/93ed1c584e76& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&实证分析者：合理规划和管理你的文档&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/a4& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata连享会新命令快讯：ereplace, egenmore, egenmisc&/a&&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/63b5c036f954& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: Graphing Distributions&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/e061f73c2a4f& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：让图片透明——你不要掩盖我的光芒&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/3cfd0a4b0520& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Corporate Finance (4th): Chapter 11 Examples&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/d8cc872c96f4& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 如何快速合并 3500 个无规则命名的数据文件？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/6c65bb4a8aff& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&伍德里奇先生的问题：PSM 分析中的配对——小蝌蚪找妈妈&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/1be821b05a09& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Corporate Finance (4th): Example 10.1&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/85f09d645862& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：回归结果中不报告行业虚拟变量的系数&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/7b4ed2a6fd60& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata绘图：重新定义坐标轴刻度标签&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/52aa796b0c6b& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[转载] 手机讯飞麦克风 + 电脑讯飞输入法 = 说出你的文章&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/20654edf7228& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&毕业论文格式和修改建议&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/46c161a44bcc& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&事件研究法笔记 - Stata连享会&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/a096f3e3e821& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&聚类调整标准误笔记&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/6be12a7e4d35& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&最近看到的几个神器小软件&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/a& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 你还在用reshape转换长宽数据吗？那你就OUT了！&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/273ab0a9f3bb& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata小白系列之一：调入数据&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/07e47dac8bd2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&gen 和 egen 中的 sum() 函数&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/f& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：用 bytwoway 实现快速分组绘图&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/43fe2339c90c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata可视化：让他看懂我的结果！&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/0d327ec1f204& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata: 用esttab生成带组别名称的 LaTeX 回归表格&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/e97c1dc05c2c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata： 双重差分的固定效应模型 (DID)&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/03d138ff81da& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata：Mata 笔记&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/717b2e689d96& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&可汗学院风格电子板书攻略: Wacom+ArtRage&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/0fa& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&怎么在Stata图形中附加水平线或竖直线？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/af1c15c079a3& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&EndNote X7，X8 使用说明&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/e& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata15 Unicode：一次性转码，解决中文乱码问题&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/0c967a1526ef& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&离群值！离群值？离群值！&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/149a0f95deaa& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata 15 dofile 和 .dta 文件转码方法&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/73bc73a87d6c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&盈余管理、过度投资怎么算？分组回归获取残差&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/ba& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cameron 教授提供的 Stata 资源&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/51dd3fff53b2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Mathtype与LaTeX公式&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/8acf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata15某些版本无法自动生成log文件问题&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/d9f146c690f7& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&用 Stata 制作教学演示动态图 GIF&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/97c4f291ee1e& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&君生我未生！Stata - 论文四表一键出&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/df6a136d06d8& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一键将 Word 转换为 Markdown&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/f1c4b8762709& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&哇！Stata 书库来袭！&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/5fdce59244dd& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&输出相关系数矩阵至 Word / Excel 文档中：pwcorr_a 命令简介&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/76f18c9b96ad& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata小程序: 提取简书文章列表&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/e65e1e36056b& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&在 Markdown 中使用 HTML 特殊符号&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/05& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据分析修炼历程：你在哪一站？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/c723bb0dbf98& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata帮助和网络资源汇总(持续更新中)&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/08e194e14b7a& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&协整：醉汉牵着一条狗&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/ff3b1fa07a97& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&在 Markdown 中快速插入文字连接&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/bb93& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata dofile 转换 PDF 制作讲义方法&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/d2ee76b0f74c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Github使用方法及Stata资源&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/fbb6bdeb9df5& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&码云：我把常用小软件都放这儿了&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/9& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata兄弟：提问时能否有点诚意？用 dataex 吧&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/ab& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[转]Unicode 和 UTF-8 有何区别？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/90d6a54e35a5& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一个博士生该掌握哪些基本工具(武器)？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/f7& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DSGE 模型的 Stata 实现&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/db46fae3fd95& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&第一届stata中国用户大会嘉宾PDF讲稿下载&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/086f9cf2cc30& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&彼此不再煎熬-如何做好毕业答辩陈述？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/db1d26af109d& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&连玉君 Markdown 笔记&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/e2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata快捷键GIF：键盘就是你的武器&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/1c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何处理时间序列中的日期间隔 (with gaps) 问题？&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/87e4dae27864& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&使用 -import fred 命令导入联邦储备经济数据库 (FRED)&/a&&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/a1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Fuzzy Differences-in-Differences （模糊倍分法）&/a&&/li&&/ul&&p&&br&&/p&&blockquote&关于我们&/blockquote&&ul&&li&【&b&Stata 连享会(公众号：StataChina)&/b&】由中山大学连玉君老师团队创办，旨在定期与大家分享 Stata 应用的各种经验和技巧。&/li&&li&公众号推文同步发布于 &a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/u/69a30474ef33& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&【简书-Stata连享会】&/a& 和 &a href=&https://zhuanlan.zhihu.com/arlion& class=&internal&&【知乎-连玉君Stata专栏】&/a&。可以在&b&简书&/b&和&b&知乎&/b&中搜索关键词&code&Stata&/code&或&code&Stata连享会&/code&后关注我们。&/li&&li&点击推文底部【阅读原文】可以查看推文中的链接并下载相关资料。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/af6fb0448297& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata 现场培训报名中&/a&&/li&&/ul&&p&&br&&/p&&blockquote&联系我们&/blockquote&&ul&&li&&b&欢迎赐稿：&/b& 欢迎将您的文章或笔记投稿至&code&Stata连享会(公众号: StataChina)&/code&，我们会保留您的署名；录用稿件达&code&五篇&/code&以上，即可&b&免费&/b&获得 Stata 现场培训 (初级或高级选其一) 资格。&/li&&li&&b&意见和资料：&/b& 欢迎您的宝贵意见，您也可以来信索取推文中提及的程序和数据。&/li&&li&&b&招募英才：&/b& 欢迎加入我们的团队，一起学习 Stata。合作编辑或撰写稿件五篇以上，即可&b&免费&/b&获得 Stata 现场培训 (初级或高级选其一) 资格。&/li&&li&&b&联系邮件：&/b& &/li&&/ul&&p&&br&&/p&&p&&br&&/p&&blockquote&往期精彩推文&br&&br&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/de82fdc2c18a& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata连享会推文列表&/a&&br&&a href=&https://link.zhihu.com/?target=https%3A//www.jianshu.com/p/af6fb0448297& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata 现场培训报名中&/a&&/blockquote&&p&&a href=&https://link.zhihu.com/?target=http%3A//qr06.cn/DK3OLB& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&qr06.cn/DK3OLB&/span&&span class=&invisible&&&/span&&/a& (二维码自动识别)&/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//weixin.qq.com/r/7Ujm-tfEHIpjrZOd9x3-& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&weixin.qq.com/r/7Ujm-tf&/span&&span class=&invisible&&EHIpjrZOd9x3-&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&&p&&/p&
（北京7.23-8.2、山西8.3-8.8、广东8.21-23）
&figure&&img src=&https://pic3.zhimg.com/v2-f3a29d6a0eab82a5de5294_b.jpg& data-rawwidth=&550& data-rawheight=&309& class=&origin_image zh-lightbox-thumb& width=&550& data-original=&https://pic3.zhimg.com/v2-f3a29d6a0eab82a5de5294_r.jpg&&&/figure&&p&SQL，数据分析岗的必备技能，你可以不懂Python，R，不懂可视化，不懂机器学习。但SQL，你必须懂。要不然领导让你跑个数据来汇......，哦不，你不懂SQL都无法入职数据分析岗，更别说领导了。&/p&&p&&br&&/p&&p&SQL难吗？说实话，要写好，很难很难。但要通过SQL笔试这关，并不难。相信大伙都使用过Excel，用SQL实现excel 常用操作去学，感觉会比较具体。我自身也刚入数据岗不久，本文也是为自己巩固一下SQL。&/p&&p&&br&&/p&&p&姊妹篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&用Python实现excel 14个常用操作&/a&&/p&&p&&br&&/p&&p&数据是网上找到的销售数据，命名为sale，长这样：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-01d006b3d847f474200b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1858& data-rawheight=&640& class=&origin_image zh-lightbox-thumb& width=&1858& data-original=&https://pic4.zhimg.com/v2-01d006b3d847f474200b_r.jpg&&&/figure&&h2&&b&一、关联公式:Vlookup&/b&&/h2&&p&vlookup是excel几乎最常用的公式，一般用于两个表的关联查询等。所以我先创建一个新表：复制sale表并筛选出地区仅为广州的，命名为sale_guang。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&create table sale_guang SELECT * from sale where city=&广州&;
&/code&&/pre&&/div&&p&&br&&/p&&p&&b&需求：根据订单明细号关联两表，并且sale_guang只有订单明细号与利润两列&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT * from sale a
inner JOIN
(SELECT ordernum,profit from sale_guang) b
on a.`ordernum`=b.`ordernum`;
&/code&&/pre&&/div&&p&&br&&/p&&h2&&b&二、对比两列差异&/b&&/h2&&p&&b&需求：对比sale的订单明细号与sale_guang订单明细号的差异；&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT * from sale a
WHERE a.ordernum not in
(SELECT b.ordernum from sale_guang b);
&/code&&/pre&&/div&&h2&&b&三、去除重复值&/b&&/h2&&p&&b&需求：去除业务员编码的重复值&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT * FROM sale
where salesnum not in
(SELECT salesnum from sale GROUP BY salesman HAVING COUNT(salesnum)&1)
&/code&&/pre&&/div&&p&&br&&/p&&h2&&b&四、缺失值处理&/b&&/h2&&p&&b&需求：用0填充缺失值或则删除有地区名称缺失值的行。&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&#用0填充：
update sale set city = 0 where city = NULL
#删除有缺失值的行：
delete from sale where city = NULL;
&/code&&/pre&&/div&&p&&br&&/p&&h2&&b&五、多条件筛选&/b&&/h2&&p&&b&需求：想知道业务员张爱，在北京区域卖的商品订单金额大于等于6000的信息。&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT * from sale
where salesman = &张爱&
and city = &北京&
and orderaccount &=6000;
&/code&&/pre&&/div&&p&&br&&/p&&h2&&b&六、 模糊筛选数据&/b&&/h2&&p&&b&需求:筛选存货名称含有&三星&或则含有&索尼&的信息。&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT * from sale
where inventoryname like &%三星%& or 存货名称 like &%索尼%&;
&/code&&/pre&&/div&&p&&br&&/p&&h2&&b&七、分类汇总&/b&&/h2&&p&&b&需求:北京区域各业务员的利润总额。&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT city,sum(`profit`) from sale
WHERE city = &北京&
GROUP BY `city`;
&/code&&/pre&&/div&&p&&br&&/p&&h2&&b&八、条件计算&/b&&/h2&&p&&b&需求：存货名称含“三星字眼”并且税费高于1000的订单有几个？这些订单的利润总和和平均利润是多少？&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&#有多少个？
SELECT COUNT(*) from sale
where inventoryname like &%三星%&
and `tax` & 1000 ;
#这些订单的利润总和和平均利润是多少？
SELECT `ordernum`,SUM(profit),AVG(`profit`) from sale
where inventoryname like &%三星%&
and `tax` & 1000
GROUP BY `ordernum`;
&/code&&/pre&&/div&&p&&br&&/p&&h2&&b&九、删除数据间的空格&/b&&/h2&&p&&b&需求：删除存货名称两边的空格。&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT trim(inventoryname)
&/code&&/pre&&/div&&p&&br&&/p&&h2&&b&十、合并与排序列&/b&&/h2&&p&&b&需求：计算每个订单号的成本并从高到低排序（成本 = 不含税金额 - 利润）&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT city,ordernum,(Nontaxamount - profit) as cost from sale
order by cost DESC;
&/code&&/pre&&/div&&p&&br&&/p&&p&&b&总结：&/b&结构化查询语言(Structured Query Language)简称SQL，果然和它名字一样，查询起来得心应手，但做想做数据处理方面，能明细感受到比Python和excel吃力（也可能是我还没学好orz）。&/p&&p&&br&&/p&&h2&&b&贴一些我在面试时遇到过的SQL笔试题吧：&/b&&/h2&&p&&b&某数据服务公司：&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-25de343aef85_b.jpg& data-size=&normal& data-rawwidth=&457& data-rawheight=&194& class=&origin_image zh-lightbox-thumb& width=&457& data-original=&https://pic2.zhimg.com/v2-25de343aef85_r.jpg&&&figcaption&Student&/figcaption&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-4ff650966cbe53cdd989f32_b.jpg& data-size=&normal& data-rawwidth=&237& data-rawheight=&334& class=&content_image& width=&237&&&figcaption&Score&/figcaption&&/figure&&p&（1）查询Student表中的所有记录的Sname、Ssex和Class列。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&select sname,ssex,
&/code&&/pre&&/div&&p&（2）查询Score表中成绩在60到80之间的所有记录。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&select * from score between 60 and 80;
&/code&&/pre&&/div&&p&（3）查询95033班和95031班的平均分。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&select class,avg(degree) from Score a
join student b
on a.sno = b.sno
GROUP BY CLASS；
&/code&&/pre&&/div&&p&总之是比较简单的SQL笔试题了，当时很快就写完了。实际上这不是原题，不过我有印象就是考察这几个知识点，并且蛮简单的。&/p&&p&&br&&/p&&p&&b&某手游公司的SQL笔试题（原题）&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-25874eaabb8cc36e8b78bfde_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&450& data-rawheight=&800& class=&origin_image zh-lightbox-thumb& width=&450& data-original=&https://pic3.zhimg.com/v2-25874eaabb8cc36e8b78bfde_r.jpg&&&/figure&&p&（1）建立表Student的语句写下来，表Student是由学好Sno,姓名Sname,性别Ssex,年龄Sage,所在系Sdept五个属性组成，其中学号属性不能为空，并且其值是唯一的。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&create table Student_new
(sno varchar(20) PRIMARY KEY,
sname varchar(10),ssex char(2),
sage int,sdept varchar(25))；
&/code&&/pre&&/div&&p&（2）在student 表中查询Sdept是“计算机”的学生所有信息并按SNO列排序。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&select * from student where sdept = &计算机&
&/code&&/pre&&/div&&p&（3）在以上三个表中查询Ccredit为5并且Grade大于60的学生的学号、姓名和性别。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&select a.sno,a.sname,a.ssex from student a
join (Course b ,SC c)
on a.sno=c.sno and b.cno =c.cno
where Ccredit = 5 and Grade & 60；
&/code&&/pre&&/div&&p&&br&&/p&&p&&b&某互联网金融公司SQL笔试题（原题）&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-00be2888742_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&1440& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic3.zhimg.com/v2-00be2888742_r.jpg&&&/figure&&p&（1）表A和表B的交集：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT a.cus_id from `表a` as a
INNER JOIN `表b` as b
on a.cus_id=b.cus_id；
&/code&&/pre&&/div&&p&（2）表A和表B的并集：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT * from `表a`
SELECT * from `表b`；
&/code&&/pre&&/div&&p&（3）表A和表B的对称差：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT * from `表a`
where cus_id not in (SELECT * from `表b`)
SELECT * from `表b`
where cus_id not in (SELECT * from `表a`)；
&/code&&/pre&&/div&&p&（4）表A中存在但表B中不存在：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SELECT * from `表a`
WHERE cus_id not in (SELECT cus_id from `表b`)；
&/code&&/pre&&/div&&p&&br&&/p&&p&哇，恭喜你看到最后，给一个彩蛋给你！&/p&&p&这篇技术博客总结的十分好，语句忘记了可以随时翻阅：&/p&&p&&a href=&http://link.zhihu.com/?target=http%3A//blog.csdn.net/moguxiansheng1106/article/details/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据分析中的SQL整理 - CSDN博客&/a&&/p&&p&&br&&/p&&p&&br&&/p&&p&-------------------------------------------------------------------------------------------------&/p&&p&感谢阅读，觉得有用的麻烦点个赞！&/p&&p&&br&&/p&&p&&b&另外，因各种原因，我不会在目前所在“数据运营”岗转正。唔，下周开始在职找工作。如果有广州或深圳的数据分析或数据运营岗甚至数据挖掘岗(哇！)职位的HR，觉得我还行的话（噗），请务必砸向我！&/b&&/p&&p&&b&(已入职新公司)&/b&&/p&&p&&b&感恩。&/b&&/p&
SQL，数据分析岗的必备技能，你可以不懂Python，R，不懂可视化，不懂机器学习。但SQL，你必须懂。要不然领导让你跑个数据来汇......，哦不，你不懂SQL都无法入职数据分析岗，更别说领导了。 SQL难吗？说实话，要写好，很难很难。但要通过SQL笔试这关，并不…
&figure&&img src=&https://pic1.zhimg.com/v2-4fb2e1fdf451a0dc107c54_b.jpg& data-rawwidth=&792& data-rawheight=&715& class=&origin_image zh-lightbox-thumb& width=&792& data-original=&https://pic1.zhimg.com/v2-4fb2e1fdf451a0dc107c54_r.jpg&&&/figure&&p&连玉君 （中山大学岭南学院）&/p&&blockquote&时至今日，stata 已经发布了第15版，功能不断增强。然而，勤奋的 stata 用户们每天仍然在开发新的程序，不断缩小理论计量与实际应用之间的差距。下面，我们就梳理一下 stata 外部命令的相关资源，包括：从哪些地方获取外部命令？哪些外部命令是最常用的，最流行的？哪些是最新发布的？关注一下这些外部命令，可以大幅提高我们的分析效率。&/blockquote&&p&获取外部命令的最佳方式是使用 - &code&findit&/code& - 命令，在搜索完成后，可以按照 stata 的提示直接下载安装相应的命令和作者提供的范例数据或 dofiles (如果有的话)。详情可以参考：&a href=&https://link.zhihu.com/?target=http%3A//www.stata.com/support/add-user-written-commands/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stata | Adding user-written commands&/a&。&/p&&h2&外部命令清单&/h2&&p&Stata官网上给出了一份完整的外部命令列表：&u&&a href=&https://link.zhihu.com/?target=http%3A//www.stata.com/links/resources2.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&stata.com/links/resourc&/span&&span class=&invisible&&es2.html&/span&&span class=&ellipsis&&&/span&&/a&&/u&&/p&&h2&最常用的外部命令&/h2&&p&
输入 &code&ssc hot, n(20)&/code&
可以呈现过去三个月关注度最高的 20 个命令：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&
----------------------------------------------------------------------
Roger Newson
Tony Brady
Patrick Joly
Sergio Correia
Nicholas J. Cox, Gary Longton
confirmdir
Dan Blanchette
Sergiy Radyakin
Julian Reif
Dan Blanchette
Dan Blanchette
appendfile
Julian Reif
Julian Reif
Paulo Guimaraes
Nicholas J. Cox
Lian Yu-jun
Steven Stillman, Christopher F Baum,
Mark E Schaffer
Mark E Schaffer, Steven Stillman,
Christopher F Baum
Mark E Schaffer, Christopher F Baum,
Steven Stillman
----------------------------------------------------------------------
(Click on package name for description)
&/code&&/pre&&/div&&p&可以看出，用于输出回归结果和统计表格的 -&code&outreg2&/code&- 以及 -&code&esttab&/code&- 命令分别位列第 5 和第 6；处理离群值时最常用的缩尾处理命令 -&code&winsor&/code&- 和 -&code&winsor2&/code&- 命令则分别位列第 16 和 17。&/p&&p&这些命令都可以使用 - &code&ssc install&/code& - 命令直接安装到你的电脑里。当然，也可以直接点击命令名称（stata 窗口中显示为蓝色，带连接），在如下弹出界面中点击“(&code&click here to install&/code&)”即可。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&----------------------------------------------------------------------------------------------------------------------------
package winsor2 from http://fmwww.bc.edu/RePEc/bocode/w
----------------------------------------------------------------------------------------------------------------------------
'WINSOR2': module to winsorize data
DESCRIPTION/AUTHOR(S)
winsor2 can winsorize a varlist, operate with the by prefix,
and offers a replace option.
KW: winsor
KW: winsorize
KW: data management
Requires: Stata version 8
Distribution-Date:
Author: Lian Yu-jun, Department of Finance, Sun Yat-Sen University, China
Support: email
INSTALLATION FILES
(click here to install)
winsor2.ado
winsor2.sthlp
----------------------------------------------------------------------------------------------------------------------------
(click here to return to the previous screen)
&/code&&/pre&&/div&&p&&br&&/p&&h2&最新发布的外部命令&/h2&&p&
若想了解最近一个月发布了哪些新的外部命令，只需输入 -&code& ssc new &/code&- 即可。检索页面中显示了几十个新命令，下面选择几个比较有趣的，简单解释一下。&/p&&ul&&li&&code&DDID&/code& 命令用于实现更为一般化的 DID 模型，主要特征在于允许多期政策冲击，且政策冲击可以发生在不同时点上。&/li&&li&&code&CORR2DOCX&/code& 是中南财经政法的李春涛老师发布的，用于将 Spearman 和 Pearson 相关系数输出到 word 文档中。&/li&&li&&code&TWITTER2STATA&/code& 则可以把 Twitter （推特儿）上的数据直接下载到 stata 中。&/li&&li&&code&XTGCAUSE&/code& 命令使用 Dumitrescu & Hurlin (Economic Modelling, 2012) 提出的方法，检验异质性面板中是否存在 Granger 因果关系。&/li&&/ul&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&SSC Stata modules created or revised
----------------------------------------------------------------------------------------------------------------------------
module to evaluate threshold search model for non-linear models based on information criterion
Ho Fai Chan
Brenda Gannon
David Harris
Mark Harris
Req: Stata version 7
module to compute pre- and post-treatment estimation of the Average Treatment Effect (ATE) with binary time-varying treatment
Authors: Giovanni Cerulli
Req: Stata version 14
module to report Pearson & Spearman correlation coefficients to formatted table in DOCX file
Authors: Chuntao Li
Req: Stata version 15
module to create Fama French Industry Variable from SIC Code
Tyson Van Alfen
Req: Stata version 10
TWITTER2STATA
module to import data from Twitter
Authors: Kevin Crow
Req: Stata version 15
module to create a SMCL presentation from a do file
Authors: Maarten L. Buis
Req: Stata version 8
module to test for Granger non-causality in heterogeneous panels
Authors: Luciano Lopez
Sylvain Weber
Req: Stata version 13.1
&/code&&/pre&&/div&&p&若想查看 ssc 发布的所有外部命令，可以通过浏览网页 &a href=&https://link.zhihu.com/?target=https%3A//ideas.repec.org/s/boc/bocode.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Boston College Department of Economics&/a&， 亦可在 Stata 命令窗口中查看，命令为：net from &a href=&https://link.zhihu.com/?target=http%3A//fmwww.bc.edu/RePEc/bocode& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Index of /RePEc/bocode&/a&&/p&&h2&其他说明&/h2&&ul&&li&如需查看已经安装的所有外部命令，只需输入 - &code&ado&/code& - 命令即可；&/li&&li&更新这些外部命令，可以使用 - &code&adoupdate&/code& -；&/li&&li&卸载这些外部命令，可以使用 - &code&ado uninstall&/code& - ； &/li&&li&除了 SSC，UCLA 的网站上也提供了不少 Stata 外部命令（这些命令都可以使用 findit 命令在 Stata 命令窗口中搜索到）&u&&a href=&https://link.zhihu.com/?target=http%3A//www.ats.ucla.edu/stat/stata/ado/default.htm& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&ats.ucla.edu/stat/stata&/span&&span class=&invisible&&/ado/default.htm&/span&&span class=&ellipsis&&&/span&&/a&&/u&&/li&&li&UCLA 的 Stata 专栏中提供了大量学习 Stata 的资源：&u&&a href=&https://link.zhihu.com/?target=http%3A//www.ats.ucla.edu/stat/stata/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&http://www.ats.ucla.edu/stat/stata&/a&&/u&&/li&&/ul&&p&&br&&/p&&blockquote&&u&作者：连玉君 &/u&（中山大学岭南学院金融系副教授，网络课程：&a href=&https://link.zhihu.com/?target=http%3A//www.peixun.net/author/3.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&peixun.net/author/3.htm&/span&&span class=&invisible&&l&/span&&span class=&ellipsis&&&/span&&/a&；优酷视频：&a href=&https://link.zhihu.com/?target=http%3A//i.youku.com/arlion%3Fspm%3Da2hzp..0& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&http://i.youku.com/arlion&/a&）&/blockquote&&p&&/p&&p&&/p&&p&&/p&
连玉君 （中山大学岭南学院）时至今日，stata 已经发布了第15版，功能不断增强。然而，勤奋的 stata 用户们每天仍然在开发新的程序，不断缩小理论计量与实际应用之间的差距。下面，我们就梳理一下 stata 外部命令的相关资源，包括：从哪些地方获取外部命令…
calibration 就是指从模型外选取参数的技巧。&br&&br&很不严格地说，宏观模型可以用一个（从最优化问题中推导出来的）结构方程组&br&&img src=&//www.zhihu.com/equation?tex=%5Cunderset%7Bn%5Ctimes+1%7D%7Bf%7D%28x_t%2C+%5Cvarepsilon_t%3B%5Ctheta%29%3D0& alt=&\underset{n\times 1}{f}(x_t, \varepsilon_t;\theta)=0& eeimg=&1&&&br&来描述。其中&img src=&//www.zhihu.com/equation?tex=x_t& alt=&x_t& eeimg=&1&&是我们关心的宏观变量（比如 t 期的产量，消费，投资，…）；&img src=&//www.zhihu.com/equation?tex=%5Cvarepsilon_t%0A& alt=&\varepsilon_t
& eeimg=&1&&是一些政策和外生变量（比如税率，政府支出和全要素生产率 TFP），&img src=&//www.zhihu.com/equation?tex=%5Ctheta& alt=&\theta& eeimg=&1&&是一些具有经济含义的参数，决定了宏观变量&img src=&//www.zhihu.com/equation?tex=x_t& alt=&x_t& eeimg=&1&&是如何根据&img src=&//www.zhihu.com/equation?tex=%5Cvarepsilon_t& alt=&\varepsilon_t& eeimg=&1&&的变化而变化。&br&&br&我们构造宏观模型的目的之一是想要理解外生冲击（即&img src=&//www.zhihu.com/equation?tex=%5Cvarepsilon_t& alt=&\varepsilon_t& eeimg=&1&&的变化）是如何作用于经济体的（i.e. 影响机制）。而结构方程组&img src=&//www.zhihu.com/equation?tex=f%28%5Ccdot%3B+%5Ctheta%29%3D0& alt=&f(\ \theta)=0& eeimg=&1&& 则是我们推断的冲击影响宏观变量所采取的机制。判断一个模型的好坏就要看这个机制是不是能解释我们观察到的数据。也就是方程组的解&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bx%7D_t+%28%5Cvarepsilon_t%3B%5Ctheta%29& alt=&\hat{x}_t (\varepsilon_t;\theta)& eeimg=&1&& 是不是和真实的宏观变量序列&img src=&//www.zhihu.com/equation?tex=x_t%28%5Cvarepsilon_t%29& alt=&x_t(\varepsilon_t)& eeimg=&1&&类似*。但由于我们不知道&img src=&//www.zhihu.com/equation?tex=%5Ctheta%0A& alt=&\theta
& eeimg=&1&&的值，也就没法求出&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bx%7D_t& alt=&\hat{x}_t& eeimg=&1&&。calibration 就是确定&img src=&//www.zhihu.com/equation?tex=%5Ctheta%0A& alt=&\theta
& eeimg=&1&&值的一种办法。&br&&br&---------&br&* 如果研究着眼于解释宏观变量的波动，我们也可以比较&img src=&//www.zhihu.com/equation?tex=x_t& alt=&x_t& eeimg=&1&&和&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bx%7D_t& alt=&\hat{x}_t& eeimg=&1&&的二阶矩来判断模型能否产生实际观察到的经济周期波动。&br&---------&br&&br&当然，calibration 并不是最直观的确定&img src=&//www.zhihu.com/equation?tex=%5Ctheta%0A& alt=&\theta
& eeimg=&1&&的方法。&img src=&//www.zhihu.com/equation?tex=f%28x_t%2C%5Cvarepsilon_t%3B+%5Ctheta%29%3D0& alt=&f(x_t,\varepsilon_t; \theta)=0& eeimg=&1&& 本身就包含了很多信息，比如矩条件 (moment condition)&br&&img src=&//www.zhihu.com/equation?tex=%5Cmathbb%7BE%7D_tf%28x_t%2C%5Cvarepsilon_t%3B%5Ctheta%29%3D0& alt=&\mathbb{E}_tf(x_t,\varepsilon_t;\theta)=0& eeimg=&1&&&br&最直观的方法应该是利用数据&img src=&//www.zhihu.com/equation?tex=%5C%7Bx_t%5C%7D& alt=&\{x_t\}& eeimg=&1&&和上面这个矩条件来估计&img src=&//www.zhihu.com/equation?tex=%5Ctheta& alt=&\theta& eeimg=&1&&，然后再求出&img src=&//www.zhihu.com/equation?tex=%5Chat%7Bx%7D_t+%28%5Cvarepsilon_t%3B%5Chat%7B%5Ctheta%7D%29& alt=&\hat{x}_t (\varepsilon_t;\hat{\theta})& eeimg=&1&&与&img src=&//www.zhihu.com/equation?tex=x_t& alt=&x_t& eeimg=&1&&比较。比如生产函数&img src=&//www.zhihu.com/equation?tex=Y_t+%3D+Z_tK%5E%5Calpha_%7Bt-1%7DL%5E%7B1-%5Calpha%7D_t& alt=&Y_t = Z_tK^\alpha_{t-1}L^{1-\alpha}_t& eeimg=&1&&里的参数&img src=&//www.zhihu.com/equation?tex=%5Calpha& alt=&\alpha& eeimg=&1&&就可以用利润最大化的一阶条件&br&&img src=&//www.zhihu.com/equation?tex=1-%5Calpha+%3D+%5Cfrac%7BwL%7D%7BY%7D& alt=&1-\alpha = \frac{wL}{Y}& eeimg=&1&&&br&和矩条件&br&&img src=&//www.zhihu.com/equation?tex=%5Cmathbb%7BE%7D%5Cleft%28%5Cfrac%7BwL%7D%7BY%7D%5Cright%29%3D%5Cfrac%7B1%7D%7BT%7D%5Csum_t%5Cfrac%7Bw_tL_t%7D%7BY_t%7D& alt=&\mathbb{E}\left(\frac{wL}{Y}\right)=\frac{1}{T}\sum_t\frac{w_tL_t}{Y_t}& eeimg=&1&&来估计。&br&&br&用模型本身估计&img src=&//www.zhihu.com/equation?tex=%5Ctheta& alt=&\theta& eeimg=&1&&纵然直观，也并不是免费的。如果系统&img src=&//www.zhihu.com/equation?tex=f%28x_t%2C%5Cvarepsilon_t%3B+%5Ctheta%29%3D0& alt=&f(x_t,\varepsilon_t; \theta)=0& eeimg=&1&& 很“小”（只描述了宏观系统的一个子集。比如没有央行、整个体系只有单一产品等等），那么 misspecification （不知道怎么翻译……）会导致矩条件&img src=&//www.zhihu.com/equation?tex=%5Cmathbb%7BE%7Df%28x_t%2C%5Cvarepsilon_t%3B%5Ctheta%29%3D0& alt=&\mathbb{E}f(x_t,\varepsilon_t;\theta)=0& eeimg=&1&& 不成立。那么所有基于矩条件的估计偏差都会比较大。再比如宏观时间序列数据&img src=&//www.zhihu.com/equation?tex=%5C%7Bx_t%5C%7D& alt=&\{x_t\}& eeimg=&1&&长度太短，满足不了渐进理论(Asymptotic theory)的要求导致小样本偏差较大等等。所以一般来说，使用整个系统的矩条件&img src=&//www.zhihu.com/equation?tex=%5Cmathbb%7BE%7D_tf%28x_t%2C%5Cvarepsilon_t%3B%5Ctheta%29%3D0& alt=&\mathbb{E}_tf(x_t,\varepsilon_t;\theta)=0& eeimg=&1&&同时估计多个&img src=&//www.zhihu.com/equation?tex=%5Ctheta& alt=&\theta& eeimg=&1&&只有在大型宏观模型（比如 smets and wouters 2007 和 CEE 2005）才会用到。一般规模比较小的宏观模型常常会将参数分为几个互相独立的部分分别找矩条件（比如上面的例子）以保证一个部分的 misspecification 不会影响到其他参数的估计。&br&&br&除了直接估计之外，我们还可以采用 calibration 的方法直接给出&img src=&//www.zhihu.com/equation?tex=%5Ctheta& alt=&\theta& eeimg=&1&&的值。此时虽然&img src=&//www.zhihu.com/equation?tex=%5Ctheta& alt=&\theta& eeimg=&1&&值从模型之外得到，我们也不能脑洞乱开，随便选一个值了事。Kydland and Prescott 推荐使用微观研究所得到的&img src=&//www.zhihu.com/equation?tex=%5Ctheta& alt=&\theta& eeimg=&1&&。比如（最简单的）劳动供给函数&br&&br&&img src=&//www.zhihu.com/equation?tex=C_t+L_t%5E%5Ceta+%3D+w_t& alt=&C_t L_t^\eta = w_t& eeimg=&1&&&br&里面的劳动供给弹性&img src=&//www.zhihu.com/equation?tex=%5Ceta& alt=&\eta& eeimg=&1&& 就应该使用劳动经济学中采用微观数据所估计出的供给弹性。 但使用这个方法的时候要注意加总 (aggregation) 问题：譬如在这个例子里，我们可以得到很多不同的供给弹性：未婚男性、未婚女性、已婚男性、已婚女性、20-29岁，30-39岁等不同年龄段……等等。到底要用哪一个供给弹性？又譬如微观数据所测出的可能只是 intensive margin （已经有工作的人如何针对工资的变化而改变劳动供给），而忽略了 extensive margin（由于工资变化而选择完全退出劳动力市场或者重新加入劳动力市场的人的劳动供给）。但是这两个 margin 同时影响了宏观劳动供给，只使用微观研究中找到的 intensive margin 显然并不能完全刻画出经济体对工资改变而做出的变化。如果为了说服读者，一些研究还常常报告 calibrate 几个不同的参数值所得到的结果以作为稳健性检验。所以 calibration 不仅仅是一种“技术”，更是一种“艺术”。
calibration 就是指从模型外选取参数的技巧。 很不严格地说，宏观模型可以用一个（从最优化问题中推导出来的）结构方程组 \underset{n\times 1}{f}(x_t, \varepsilon_t;\theta)=0 来描述。其中x_t是我们关心的宏观变量（比如 t 期的产量，消费，投资，…）…
谢 &a data-hash=&edc& href=&//www.zhihu.com/people/edc& class=&member_mention& data-editable=&true& data-title=&@SlowMover& data-tip=&p$b$edc& data-hovercard=&p$b$edc&&@SlowMover&/a& 邀，用大白话说，校准（calibration）作为一个操作，就是“把别人算出来的数扔进自己的模型”这么一个动作。为了理解这个动作，我想先说一些概念。&br&&br&&b&1.有方向的搜索（Directed search）和无方向的搜索（Undirected search）&/b&&br&&br&这两个概念在数值计算/数值分析（&a href=&//link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Numerical_analysis& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Numerical analysis&/a&）中常常用来描述算法。经济学同行、物理背景的人，工学背景的人都知道，对于难以找到解析解的方程，常常需要退而求其次找数值解。找数值解的方法有很多种，其中的格点搜索法（grid search）思想上类似穷举法，用大白话说就是把“所有”数都带进去算一遍看看哪个最接近解。这类方法称为“undirected search”。&br&&br&另一个广为人知的方法是梯度法（&a href=&//link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Gradient_method& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&en.wikipedia.org/wiki/G&/span&&span class=&invisible&&radient_method&/span&&span class=&ellipsis&&&/span&&/a&），这是一个典型的“directed search”方法。这类方法有一个一般的操作流程（假设方程或目标函数（方程的某个函数，一般是二次型）为g(X)，定义在R^n上）：&br&1）首先从R^n中某个点X1出发，先把X1代到里，看看是否满足条件（一般是离0有多近）。&br&2）若满足条件，输出X1，若不满足，则根据X1和g(X1)，按照&b&某种方式&/b&找一个很可能比X1更好的点X2，代入g，对X2重复1），直到找到满意的数值解为止。&br&&br&这个操作流程中的“某种方式”就是找“有方向的搜索”里那个“方向”。假如你最后找到的（近似）解是Xn，把X1,X2,...Xn按顺序用向量连起来，就会找到一个从R^n中某点X1到（近似）解Xn的有向路径。找到这个路径以及其对应的（近似）解的过程就叫“Directed Search”。&br&&br&那么经济学研究这个活动，也无非是想找个解来解释现实问题。只不过我们要找的解是函数。&br&&br&&b&2.理论研究（Theoretical research）和实证研究（EmpiricalResearch）&/b&&br&&br&前面说了，经济学研究要找的东西是函数。有两个问题是我们关心的：一是我们要找的函数是什么形式，二是给定函数形式，这个函数里的参数们应该是多少。回答第一个问题的努力被称为理论研究，回答第二个问题的努力被称为实证研究。&br&&br&我们每天都能看到各种各样的经济数据。这些数据不是凭空来的，它们，尤其是宏观数据，往往汇总了无数个体的决策。精细地刻画这些个体的决策以及相应的加总过程非常难，所以经济学家往往希望找一些更简单的东西来近似个体决策及其加总。这个近似往往是一个函数，它需要能产生与实际数据类似的结果。从统计学的角度看，我们搞经济学研究，要找的是“数据生成过程”（&a href=&//link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Gradient_method& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://en.wikipedia.org/wiki/Data_generating_process&/a&，重点看第2、3条含义）的近似。&br&&br&那么，一个实证研究会做什么？首先它会把数据拿来，根据某个模型来估计一下，然后声称自己估计出来的参数是这个函数形式下按照某些统计标准看最好的参数值。或者说，他找到了某个函数族/曲线族（&a href=&//link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Family_of_curves& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Family of curves&/a&）中和数据符合的最好的一个函数。&br&&br&一个理论研究会提出一个函数族/曲线族，然后声称这个函数族/曲线族里一定有某一个可以很好地解释数据，换言之就是对真实的DGP的一个很好的近似。&br&&br&评价理论研究和实证研究，都有两个层次：&br&1）该研究对数据的解释好不好&br&2）该研究是否能启发后续的研究，给后来者指出一个找到更好的近似的方向&br&&br&看到这里，你可能已经明白为啥我在前面要扯数值分析的那一坨了。因为比较有效率的经济学研究应该是一个“directed search”过程。每篇重要的文章都可以看做这个搜寻过程中的一步迭代。经济学社区中的每个个人/团队都可以对某个文章提供的方向做出评价，并且根据这个文章提供的方向做进一步研究，或者提出一个更好的方向来做。&br&&br&&b&“校准”能对我们的搜寻做出什么贡献。&/b&&br&&br&“校准”这个动作在理论研究和实证研究里都会用。在理论研究中，使用前人估计出的，受到广泛认可的实证结果作为自己提出的模型里参数的取值，再看看自己的模型能否给出符合现状和经验（&a href=&//link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Stylized_fact& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stylized fact&/a&）的预测，是惯常做法。这样做可以方便经济学社区评价自己的理论。&br&&br&假如我提出了一个理论，在折现因子等于0.1，储蓄率为80%的时候能很好地解释和预测人均GDP。那么我这个模型是一个好模型吗？不一定。如果我的模型在折现因子等于0.95，储蓄率为15%的时候也能给出好的预测，那么它可能是一个好的模型。&br&&br&那么凭什么在前一个场景下给出好的预测不足以说明模型好，而在后一个场景下给出好的预测可能可以说明模型好呢？&br&&br&通过大量的实证研究，我们知道前一个场景与真实经济相去甚远，而后一个场景则相反。打个比方，假如“解释真实经济”要求的是“用一个楔状物切开大白菜”，那么在第一个场景下成功好比“用一个楔状物切开日本豆腐”，在第二个场景下成功好比“用一个楔状物切开卷心菜”。第二个场景下，你更可能掏出了一把斧子，但在第一个场景下，无论你掏出的是斧子还是蜡块，都能成功。&br&&br&也就是说，所谓的“校准”其实就是确保拿到案板上的东西是卷心菜或者娃娃菜这一类和大白菜类似的东西，而不是日本豆腐或者铅球。这样我们为了切开案板上的东西，找到的工具更可能是一把斧子或菜刀，而不太可能是一个蜡块或者一个氧气切割机。&br&&br&明白了“校准”在理论研究中有什么用以后，理解它在实证研究中的作用就容易了。实证研究要干的事情是估计参数。而很多参数要么前人已经估计了很多次，形成了共识，例如资本对美国GDP的贡献；要么非常难估计，例如风险厌恶系数。这样一来，如果在自己的研究中重新估计这样的参数，会有不少风险，例如：&br&1）需要花很大的篇幅来论证（justify）自己的估计结果，喧宾夺主&br&2）使自己估计的模型更易被质疑&br&&br&这些风险让自己的工作更难被经济学社区接受和认可，功利地说，就是更难发。很多搞实证研究的人用“校准”这个动作，为自己省去了很多不必要的麻烦，也使社区内的读者可以专注于研究里的主要发现（contribution）。&br&&br&&b&“校准”有风险，动手需谨慎&/b&&br&&br&&a href=&//link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Equity_premium_puzzle& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Equity premium puzzle&/a&&br&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/1773515/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Asset Pricing (豆瓣)&/a&&br&&br&前面论证了“校准”为什么是合理或高效的，但注意这个做法并不是绝对安全的。链接里的“股权溢价之谜”就是一个校到沟里的例子。详细展开篇幅太大，也不适合由我这么个不做资产定价的人来干。有兴趣的人可以根据维基和科赫兰的教材去铺开阅读。
邀，用大白话说，校准（calibration）作为一个操作，就是“把别人算出来的数扔进自己的模型”这么一个动作。为了理解这个动作，我想先说一些概念。 1.有方向的搜索（Directed search）和无方向的搜索（Undirected search） 这两个概念在数值…
&figure&&img src=&https://pic3.zhimg.com/v2-313f6d58de97e04ec829_b.jpg& data-rawwidth=&661& data-rawheight=&344& class=&origin_image zh-lightbox-thumb& width=&661& data-original=&https://pic3.zhimg.com/v2-313f6d58de97e04ec829_r.jpg&&&/figure&&p&本文收集了各个平台各种行业的几十种数据可视化分析工具，让你不仅大饱眼福，而且还可以让你事半功倍。&/p&&h2&&strong&Excel&/strong&&/h2&&p&Excel作为一个入门级工具，是快速分析数据的理想工具，也能创建供内部使用的数据图，但是Excel在颜色、线条和样式上课选择的范围有限，这也意味着用Excel很难制作出能符合专业出版物和网站需要的数据图。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-6bedbf0eac30205eccdfbc3c072ef173_b.jpg& data-rawwidth=&470& data-rawheight=&280& class=&origin_image zh-lightbox-thumb& width=&470& data-original=&https://pic3.zhimg.com/v2-6bedbf0eac30205eccdfbc3c072ef173_r.jpg&&&/figure&&h2&&strong&Charting Fonts&/strong&&/h2&&p&Cha