⑴ 問幾個統計數據計算方法問題
1.假設2012年相比2011年增幅是10%，2013GDP增幅同比回落3.6個百分點，那麼2013與2012相比，增幅就是6.4%。
2.比上年同期回落28.7個百分點，這個是增速下降，去年增速*（1-28.7%）=19.4%
3.降幅比去年同期擴100.7個百分點，去年同期降幅*（1+100.7%）=38.4%
4.去年利稅下降*（1-73%）=15.1%
⑵ 資料庫的數據計算方法 誰知道
你可以在［一品威客網］上面發任務呀，會有人幫你設計而且很專業價格也很合理的，都是明碼標價，有例子在店鋪里放著，你可以看一下的。
⑶ 計算方法和數據准備
1.計算方法的選擇
根據「《地熱資源評價方法》(DZ40—85)」和「《地熱資源地質勘查規范》(GB/T11615—2010)」國家標准。評價區熱資源計算採用熱儲法為基礎,根據實際情況進行適當修正的原則進行。
2.計算參數的選擇
參數的選擇准確與否,直接關繫到熱儲量的計算精度。根據天津地區地熱資源開發利用特點,地熱資源分布一般不以地熱異常區圈定范圍而是以熱儲層分布范圍圈定計算區域。由於熱儲層的頂底板埋深、溫度、密度、砂層厚度等各項地質參數差異較大,再加上各熱儲層在空間分布位置不重疊,在計算地熱資源量時,為了減小計算誤差,根據熱儲層的空間分布形態、各項地質參數及現有的鑽孔資料等因素,有必要對各熱儲層分層分區進行計算。地熱資源計算中將熱儲層在平面上進行三角形剖分(圖5-3至圖5-7;表5-4)。剖分時新近系主要以地溫梯度,基岩則主要以構造控制為邊界;同時將每個鑽孔都落到對應熱儲層剖分三角形的節點上,使每個小三角形范圍內的計算因素力求准確一致。任一熱儲層地熱資源量的計算公式可表示如下:
沉積盆地型地熱田勘查開發與利用
式中:i為第i熱儲層;j為三角形的編號;ni為第i熱儲層三角形剖分總數(各熱儲層有不同的值);Qr(i)為第i熱儲層的地熱資源量;Qij為第i熱儲層第j個剖分三角形單元的地熱資源量;Aij為第i熱儲層第j個剖分三角形單元的面積;Hij為第i熱儲層第j個剖分三角形單元的平均厚度;Tij為第i熱儲層第j個剖分三角形單元的平均溫度;T0為基準溫度(13.5℃);Cij為第i熱儲層第j個剖分三角形單元中岩石和水的平均比熱容,計算公式和參數意義同式5-2。
由公式5-11可知計算區總熱資源量可由下式計算:
沉積盆地型地熱田勘查開發與利用
計算中用以下方法對公式5-11中的各個參數進行分析確定。
(1)熱儲層三角單元面積Aij
考慮到斷裂產狀的影響,在對不同熱儲層進行三角單元剖分和面積統計時,充分考慮每一個熱儲層的特殊性,為了計算方便,取熱儲層中點埋深處斷裂所處的位置作為計算邊界。計算過程中對每個三角單元進行逐一編號,單個三角單元的面積由三角形面積公式5-13計算得出,各個熱儲層面積統計結果見表5-4。
表5-4 評價區熱資源計算熱儲層三角剖分統計表
沉積盆地型地熱田勘查開發與利用
式中的(Xij1,Yij1),(Xij2,Yij2),(Xij3,Yij3)分別表示第i熱儲層第j個三角形的頂點(即節點)坐標。為錄入數據的方便,採用了相對坐標,以圖件的西南角為坐標原點(0,0)。
(2)熱儲層平均厚度Hij
即對第j個三角單元的3個頂點所對應的某個熱儲層的厚度進行算術平均,而各節點處的頂、底板埋深則根據已有鑽孔的實測資料及熱儲層厚度等值線圖、頂底板埋深線圖採用內插法確定。如底板埋深大於4000m則只取4000m。
(3)熱儲層平均溫度Tij
根據已有鑽孔的實測資料及地溫梯度等值線,利用內插法確定各個節點處的頂、底板溫度(最深4000m),再將相應的數值進行算術平均求得各個小三稜柱內的平均溫度。
(4)熱儲層基準溫度T0
根據實際測溫情況,天津地區取13.5℃。
(5)平均體積比熱容Cij
平均體積比熱容影響因素較多,但對同一熱儲層因其岩性變化不大,岩石密度、岩石比熱容的變化亦不大,所以平均體積比熱容的影響變化亦不大。通過綜合分析整理區內王蘭庄、山嶺子、萬家碼頭、潘庄-蘆台等地熱田已有成果,求取各熱儲層平均體積比熱容,其值見表5-5。
表5-5 熱儲層平均體積比熱容確定表
3.可回收熱資源量的計算
可回收資源由公式5-3求得。分析公式5-3中各參數,如Qr(埋藏在地下熱儲中的地熱資源量) 以熱儲層的地熱資源量作為基數,則據《地熱資源評價方法》(DZ40-85)4.1.2規定,熱回收率RE無論取25%或15%,其可回收熱資源量的計算值都顯然偏大。根據天津各地熱田的實際情況,各熱儲層Qr即使取地熱流體富集段所含熱資源量作為基數,其可回收資源量計算結果也遠遠大於實際開采量(絕大部分不到1%)。這一方面說明地熱資源量的開采潛力巨大,同時也說明利用現有的開采熱流體模式去獲取地熱資源是遠遠不夠的,容易形成地熱資源的浪費,應該嘗試新的地熱資源開采模式以獲取更高的效益。相比較而言,公式5-3中Qr選用地熱流體富集段所含熱量作為基數進行熱儲層的可回收地熱資源量計算更實際一些(後面計算即是)。
⑷ 給一組數據求計算方法
⑸ 數據演算法中
上界代表最大值,用O表示,下界代表最小值,類似於>=或者「至少」,用高中學的電阻那個符號表示.例如,基於比較的排序的時間復雜度下界是nlogn,是指無法設計出一個基於比較的排序演算法,時間復雜度低於nlogn.因為基於比較的排序的時間復雜度一般都是o2或者nlogn,不會小於nlogn.
⑹ 論文中數據統計計算方法
直接網路就知道了，用wrold公式打出來然後網路網路有說明的
⑺ 需要掌握哪些大數據演算法
數據挖掘領域的十大經典演算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART。
1、C4.5演算法是機器學習演算法中的一種分類決策樹演算法,其核心演算法是ID3演算法。
2、2、k-means algorithm演算法是一個聚類演算法，把n的對象根據他們的屬性分為k個分割，k < n。
3、支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用於統計分類以及回歸分析中。
4、Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。
5、最大期望（EM）演算法。在統計計算中，最大期望（EM，Expectation–Maximization）演算法是在概率（probabilistic）模型中尋找參數最大似然 估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variabl）。
6、PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。
7、Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。
8、K最近鄰(k-Nearest Neighbor，KNN)分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。
9、Naive Bayes。在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。
10、CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想。
關於大數據演算法的相關問題推薦CDA數據分析師的相關課程，課程內容兼顧培養解決數據挖掘流程問題的橫向能力以及解決數據挖掘演算法問題的縱向能力。要求學生具備從數據治理根源出發的思維，通過數字化工作方法來探查業務問題，通過近因分析、宏觀根因分析等手段，再選擇業務流程優化工具還是演算法工具，而非「遇到問題調演算法包」點擊預約免費試聽課。
⑻ 數據的演算法都有哪些……
A*搜尋演算法
俗稱A星演算法。這是一種在圖形平面上，有多個節點的路徑，求出最低通過成本的演算法。常用於游戲中的 NPC的移動計算，或線上游戲的 BOT的移動計算上。該演算法像 Dijkstra演算法一樣，可以找到一條最短路徑；也像BFS一樣，進行啟發式的搜索。
Beam Search
束搜索(beam search)方法是解決優化問題的一種啟發式方法，它是在分枝定界方法基礎上發展起來的，它使用啟發式方法估計k個最好的路徑，僅從這k個路徑出發向下搜索，即每一層只有滿意的結點會被保留，其它的結點則被永久拋棄，從而比分枝定界法能大大節省運行時間。束搜索於20 世紀70年代中期首先被應用於 人工智慧領域,1976 年Lowerre在其稱為 HARPY的語音識別系統中第一次使用了束搜索方法。他的目標是並行地搜索幾個潛在的最優決策路徑以減少回溯，並快速地獲得一個解。
二分取中查找演算法
一種在有序數組中查找某一特定元素的搜索演算法。搜素過程從數組的中間元素開始，如果中間元素正好是要查找的元素，則搜素過程結束；如果某一特定元素大於或者小於中間元素，則在數組大於或小於中間元素的那一半中查找，而且跟開始一樣從中間元素開始比較。這種搜索演算法每一次比較都使搜索范圍縮小一半。
Branch and bound
分支定界演算法是一種在問題的解空間樹上搜索問題的解的方法。但與回溯演算法不同，分支定界演算法採用廣度優先或最小耗費優先的方法搜索解空間樹，並且，在分支定界演算法中，每一個活結點只有一次機會成為擴展結點。
數據壓縮
數據壓縮是通過減少計算機中所存儲數據或者通信傳播中數據的冗餘度，達到增大數據密度，最終使數據的存儲空間減少的技術。數據壓縮在文件存儲和分布式系統領域有著十分廣泛的應用。數據壓縮也代表著尺寸媒介容量的增大和網路帶寬的擴展。
Diffie–Hellman密鑰協商
Diffie–Hellman key exchange，簡稱「D–H」，是一種安全協議。它可以讓雙方在完全沒有對方任何預先信息的條件下通過不安全信道建立起一個密鑰。這個密鑰可以在後續的通訊中作為對稱密鑰來加密通訊內容。
Dijkstra』s 演算法
迪科斯徹演算法（Dijkstra）是由荷蘭計算機科學家艾茲格·迪科斯徹發明的。演算法解決的是有向圖中單個源點到其他頂點的最短路徑問題。舉例來說，如果圖中的頂點表示城市，而邊上的權重表示著城市間開車行經的距離，迪科斯徹演算法可以用來找到兩個城市之間的最短路徑。
動態規劃
動態規劃是一種在 數學和計算機科學中使用的，用於求解包含重疊子問題的最優化問題的方法。其基本思想是，將原問題分解為相似的子問題，在求解的過程中通過子問題的解求出原問題的解。 動態規劃的思想是多種演算法的基礎，被廣泛應用於計算機科學和工程領域。比較著名的應用實例有：求解最短路徑問題，背包問題，項目管理，網路流優化等。這里也有一篇文章說得比較詳細。
歐幾里得演算法
在 數學中，輾轉相除法，又稱 歐幾里得演算法，是求 最大公約數的演算法。輾轉相除法首次出現於 歐幾里得的《幾何原本》（第VII卷，命題i和ii）中，而在中國則可以追溯至 東漢出現的《九章算術》。
快速傅里葉變換(FFT)
快速傅里葉變換（Fast Fourier Transform，FFT），是離散傅里葉變換的快速演算法，也可用於計算離散傅里葉變換的逆變換。快速傅里葉變換有廣泛的應用，如數字信號處理、計算大整數乘法、求解偏微分方程等等。
哈希函數
HashFunction是一種從任何一種數據中創建小的數字「指紋」的方法。該 函數將數據打亂混合，重新創建一個叫做散列值的指紋。散列值通常用來代表一個短的隨機字母和數字組成的字元串。好的散列 函數在輸入域中很少出現散列沖突。在散列表和數據處理中，不抑制沖突來區別數據，會使得資料庫記錄更難找到。
堆排序
Heapsort是指利用堆積樹（堆）這種 數據結構所設計的一種排序演算法。堆積樹是一個近似完全二叉樹的結構，並同時滿足堆積屬性：即子結點的鍵值或索引總是小於（或者大於）它的父結點。
歸並排序
Merge sort是建立在歸並操作上的一種有效的排序演算法。該演算法是採用分治法（Divide and Conquer）的一個非常典型的應用。
RANSAC 演算法
RANSAC 是」RANdom SAmpleConsensus」的縮寫。該演算法是用於從一組觀測數據中估計 數學模型參數的迭代方法，由Fischler and Bolles在1981提出，它是一種非確定性演算法，因為它只能以一定的概率得到合理的結果，隨著迭代次數的增加，這種概率是增加的。該演算法的基本假設是觀測數據集中存在」inliers」（那些對模型參數估計起到支持作用的點）和」outliers」（不符合模型的點），並且這組觀測數據受到雜訊影響。RANSAC 假設給定一組」inliers」數據就能夠得到最優的符合這組點的模型。
RSA加密演演算法
這是一個公鑰加密演算法，也是世界上第一個適合用來做簽名的演算法。今天的RSA已經 專利失效，其被廣泛地用於 電子商務加密，大家都相信，只要密鑰足夠長，這個演算法就會是安全的。
並查集Union-find
並查集是一種樹型的 數據結構，用於處理一些不相交集合（Disjoint Sets）的合並及查詢問題。常常在使用中以森林來表示。
Viterbi algorithm
尋找最可能的隱藏狀態序列
等等這些，演算法很多。
⑼ 關於資料庫的某一列數據的計算方法的問題
計算總和
不用你在ASP里實現
一句
SQL語句
就可以了
比如
你的數據列是
id
select
sum(id)
from
表
查出來的就是一列的總和