casio 海神系列。casio oceanus s4000 ~ s5000 系列，而且实用。

信号如果抖动不大或者考虑 STFT 以后当图处理……就硬上机器学习

@Seattle 考不考虑做个小波变换然后当图处理？

你这是开始学代数了么，还是哪本线代里的一段？你仔细读读这两段话，上下没关系啊？规定 1+1=0 的域是他的例子{0,1}，其他任何域都不一定。

但凡认真看本线代……

PCA 的***定义***不就是找到一个酉矩阵 U 使得去中心样本(x-xmean)的协方差对角化么：U^T (x-xmean)(x-xmean)^T U = D? 你算变换后的坐标 y=U^T x 的协方差 (y-ymean)(y-ymean)^T 当然是对角矩阵 D 了。

第一节课写“hello world”么(￣▽￣)

@huzhikuizainali 我是没看到原文，如果是时序，那就是 autoregressive model ，具体相关概念看看 autocorrelation 之类的理解一下

不会是时序的自回归吧，Autoregressive?

for f in sorted(files, key=lambda x: int(x.replace('_log.txt', ''))):

In[2]:= Fibonacci[9292]

Out[3]= 36615772462226778497854272068347456903203535721576563305001882\
4446808971505522682252557462388869487429215147859670048443557030510924\
2313638033416669900444112247937728056211966758992460916419400444853615\
0659995426159958705401822049236361283380030364021954972693189793054990\
6755541787721845184132515014730718340789844257461094023669363764925901\
6140512151236060436731993551961323374694640088413329540217958532844994\
6021273729864624801649860858997392396829447879954242712774677453828896\
1654341048857935441878207228426883065999292881549658263447447546725460\
1183355700504643184963095650659016150303753725509080657414720402415839\
2279674457694234096817291978625827299718248723889062148394904123612383\
8755719810784487707901717432096035328612595568604179756660091008942882\
4579522915583067121845203670580431109038026031805366693865811657549114\
6451800292235506843706203859421399525135962129895729017175669910289503\
9164133931355135824951376885398355592136531493074426906052845318085318\
1277008706114560211720676164926069583198482669740034992505014190676786\
1826193562982886149731745127900366793891334956005215747258441299727424\
3067473691667279262508464102799073324973945932644031301367264984825431\
5756846997118764723139178365862765173488978551301801196364660097159749\
2165058128156102400945704343883305010014902608294939820797741099763137\
9586795329323235044514114098601714461528505657129718977557957794347601\
7486485426114739433921822640390808840316534298381708300360202292556716\
2756960501161791462185991020606417837285106207003686110205223085088050\
6635426798303144743970873843083081229936959093803928806387360717509525\
3952963248468206808754647017090147700831859035388796576278194027465866\
1016159406917289941299321202063907398141415112260498823238868612459402\
5244669760768036285301069483216818980323500251537269509976571417468577\
6789816323408545017065365758342146429980816094007713959447619038393467\
627366903822647919125618219011528539949951357869642550538579

-_-能调接口吗？ Wolfram engine 永远滴神！（手动狗头

1. 按行排列，用 argsort 以第一行排的话 a[:, np.argsort(a[0])]
2. 按列排行，用 argsort 以第二列排的话 a[np.argsort(a.T[1]),:]
3. 逆序排序好像挺反人类的，arr[::-1].sort() 会原位逆序排序(即 id(arr) 和先 arr[::-1].sort()再 id(arr) 会一样)。但如果用 argsort,得 np.argsort(a[0])[::-1]

1. 说分枝都属微分几何吧。
2. 我做分子模拟的。用英语搜问题。很多专有名词不像汉语需要翻译时创造，而是在英语中自然而然的，毕竟近现代学科发展通用英语。你试试谷歌一下 derivative of vectors ，然后优先看带 edu 域名的结果，或者 math stack exchange ，或者 wikipedia ，一般就够了。

你这是两串数的关联性，看程序应该是 Pearson 相关系数，样本是 1 维样本，和向量有啥关系？

不是要么下要么不下，而是要么下 50 年大雨要么不下 50 年的大雨

1/50 1/50 是如果按照一年就下一场雨，要么下要么不下，就是扔一个超有偏硬币 1:49 ，扔两次，连续扔出两个正面的概率

用柏松分布的意思是，接下来的两年（单位时间内）会发生很多雨，但是其中有种大雨（ 50 年一遇，或者 1 年 1/50 遇，或者 2 年 1/25 遇）在单位时间（两年内）发生 2 次的概率

至于对向量求导，也是基本定义，一个标量场（输入向量，输出数字）的函数，f(x) = y ，x=(x1, x2...)，则 f'(x)定义为向量
(f(x1,x2,...)'x1, f(x1,x2...)'x2, f'x3, f'x4....)
如果
f(x)是一个向量场 f(x1,x2,...) = (y1,y2,...)
则 f'x 是一个二阶矩阵
y1'x1 y1'x2,...
y2'x1, y2'x2...
也就是对向量求导需要对每一项求导，所以 xTA x 对 x 求导就是一个标量场对向量求导，需要对 x 每一项分别求导，所以需要引入新的下标 k ，(xi Aij xj)'(xk)
这些属于向量微积分，张量代数的基础知识，如果你不想完整学这些，就熟悉一下 einstein summation ，kronecker delta 然后逐项手写，实在不行就写个二阶矩阵然后逐项写，熟悉一下这方面就没问题了，学完数学是 overkill 的

先熟悉 einstein summation notation 和 Kronecker delta ，写开一项一项求，然后合并就行了，举个例子：
矩阵乘法：A=Aij, x=xi
xT A = xi Aij = Aij xi
A x = Aij xj = xj Aij
AT x= Aji xj = xj Aji
比如 xTAx = xi Aij xj 对 xk 求导，根据乘法求导法则 （ f(x)g(x)' = f'g+fg') 等于 xi'(xk) Aij xj + xi Aij xj'(xk)，因为 xi'(xk) = delta_ik ，同理 xj'(xk)=delta_jk ，所以 delta_ik Aij xj + xi Aij delta_jk = Akj xj + xi Aik ，对加和标的选择是任意的（加和可以任意换序），所以 Akj xj = Aki xi ，所以原式=Aki xi + xi Aik = (Aik+Aki)xi = (A+AT)x ，如果再不能理解就写个 2 阶矩阵 a11 a12 a21 a22 和向量 x1 x2 ，自己试试

thinkpad x1c ？好像有 4k/2k ，都是集显，i7-1185G7

@acone2003 新年快乐！
会，这个是我脑残……这个方法大概就是暴力循环
for f in features:
....for val in f:
........for l, r, val
这样，使用 numpy 的索引大概是这个计算量（按大小判定）的两倍，但是 numpy 的各种操作非常快。我觉得这个问题可以通过边界问题搞定，例如 NBins = [a.min(), 0.3, ...., np.inf]，然后 vals 减掉一个值 V ，使所有的 vals 都小于 a.min()，即 vals-V < a.min()，然后替换完以后 a = a+V ，这个方法在数组大了以后会比循环快一些，小数组和循环没啥区别。

不过根据索引也许有个简单的方法，但是 binsize 如果非常不均匀可能需要非常小的 binsize ，你这个箱体 binsize=0.1 是刚好的，先令 NBins=np.array([0.3, ...7.6])，我觉得所以
a = np.asarray(a/binsize, dtype=np.int64)
然后生成新的 NBins:
nvals = np.diff(np.array(NBins/binsize, dtype=np.int64), prepend=0))
r = np.concatenate([ [val] * n for val, n in zip(vals, nvals)])
这里 r 会生成 2 个 3.5 ，52 个 7.8,...
然后处理边界
a[a<int(NBins[0]/0.1)] = len(r)
a[a>int(NBins[-1]/0.1)] = len(r)+1
r = np.append(r, left_bound_val)
r = np.append(r, right_bound_val)
然后 r[a] 就是结果。这样的计算量是最小的。不过需要注意两点，一是 NBins 里的值不总大于 0 ，二是很小 binsize 以及变化很急剧的 NBins 会导致一个巨长的数组 r ，也会很麻烦。不过这些可以通过线性变换你的样本和 NBins 一类的方法解决，就看具体情况了。