中国工业经济刊登的文章，另外还有引用的代码程序、算法和原始数据及分析研究结果（见相同论文标题的另外附加文件）。《中国工业经济》期刊勇立潮头，率先在国内期刊界公开论文数据和程序等资料，代码数据开源，让论文结果复制成为可能，方便大家基于此做更深入的分析和研究。

VeRi-776数据集, 用于智慧交通系统中车辆的REID重识别模型，减少跟踪ID的switch切换次数。

农业原始数据集 1.气象数据集 字段说明 编号 日期 从2014年 ~2024年 共 10年的数据 当日最低温度 当日最高温度 湿度 取值范围 0-100 降水量 单位：毫升 风速 单位：米/秒 日照时数 小时 天气状况 晴天、雨天、阴天 数据格式 csv格式 2.农作物生长数据集 字段说明 编号 作物类型 包括： 小麦、玉米、水稻、大豆、高粱、油菜、花生、棉花 种植日期 作物开始种植的日期， 从2014年 ~2024年 共 10年的数据 收割日期 作物成熟后进行收割的日期 从2014年 ~2024年 共 10年的数据 生长期 从种植到收割的时间长度，以天为单位 产量 每公顷土地的作物产量，单位为吨 日照时长 作物生长期内每天的平均日照时长，单位为小时 降水量 作物生长期内的年降雨量，单位

TCGA数据集是转录组分析常用的数据库，从数据库中获取相应的数据集之后进行数据清洗过程相对麻烦，但同时也是最关键的一步，本资源是零基础入门转录组分析——数据处理（TCGA数据库）教程中配套的代码+原始数据+最终处理好的数据。 零基础入门转录组分析——数据处理（TCGA数据库）教程链接：https://blog.csdn.net/weixin_49878699/article/details/135373467?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22135373467%22%2C%22source%22%3A%22weixin_49878699%22%7D

拉曼光谱是一种非破坏性的分析技术，广泛应用于化学、生物、材料科学等领域，用于研究物质的分子结构和组成。MATLAB是一款强大的数值计算和数据分析软件，它为处理各种复杂数据，包括拉曼光谱提供了丰富的工具和算法。在本示例中，我们将探讨如何利用MATLAB中的airPLS算法来处理拉曼光谱数据。 airPLS算法是一种偏最小二乘回归（Partial Least Squares, PLS）的变体，特别适用于处理存在背景噪音和共线性问题的光谱数据。PLS算法旨在找到能够最大化变量与响应之间关系的投影方向，通过分解数据的协方差矩阵来提取特征成分，进而进行建模和预测。 在MATLAB中实现airPLS算法，你需要了解以下关键步骤： 1. **数据导入**：你需要将原始拉曼光谱数据导入MATLAB。这通常涉及读取CSV或TXT文件，这些文件包含了光谱的波长值和对应的强度值。MATLAB的`readtable`或`textscan`函数可以帮助你完成这个任务。 2. **数据预处理**：拉曼光谱数据往往包含噪声和背景趋势，因此在应用airPLS之前需要进行预处理。可能的操作包括平滑滤波（如移动平均或 Savitzky-Golay 滤波）、背景扣除（如基线校正）以及归一化（如标度至单位范数或总强度归一化）。 3. **airPLS算法**：MATLAB中没有内置的airPLS函数，但你可以根据算法的数学原理自行编写或者寻找开源实现。airPLS的核心在于迭代过程，通过交替更新因子加载和响应向量，以最小化残差平方和并最大化解释变量与响应变量之间的相关性。 4. **模型构建**：在确定了合适的主成分数量后，使用airPLS算法对数据进行降维处理，得到特征向量。然后，这些特征向量可以用于建立与目标变量（例如，物质的化学成分或物理性质）的关系模型。 5. **模型验证**：为了评估模型的性能，你需要划分数据集为训练集和测试集。使用训练集构建模型后，在测试集上进行预测，并计算预测误差，如均方根误差（RMSE）或决定系数（R²）。 6. **结果可视化**：你可以利用MATLAB的绘图功能展示原始光谱、预处理后的光谱、主成分得分图以及预测结果，以直观地理解数据和模型的表现。 通过这个MATLAB代码示例，你将能够深入理解拉曼光谱数据的处理流程，掌握airPLS算法的实现，并学习如何利用这种技术来解析和预测复杂的数据模式。同时，通过实际操作，你还可以提升MATLAB编程技能，进一步提升在数据分析领域的专业能力。

2006-2021地级市能源消耗数据（含原始数据+计算过程+结果） 1、时间：2006-2021年 2、来源：城市统计NJ、各省市统计NJ和地级市统计GB 3、指标：全社会用电量万千瓦时、人工煤气和天然气供气总量万立方米市辖区、液化石油气供气总量吨市辖区、电折标准煤系数0.1229千克标准煤/千瓦小时=1.229吨标准煤/万千瓦小时、天然气折标准煤系数1.33千克标准煤/立方米=13.3吨标准煤/万立方米、液化石油气折标准煤系数1.7143千克标准煤/千克=1.7143吨标准煤/吨、总吨标准煤 4、范围：280个地级市 测算方法：使用电、石油天然气折算所得，包括原始数据、计算过程和结果。 介绍见：https://blog.csdn.net/m0_71334485/article/details/134254775

【步步高雷霆战机C源码+原始数据】这个资源包含了开发一款名为“雷霆战机”的游戏的C语言源代码，以及相关的原始数据文件。这是一份非常珍贵的学习资料，特别是对于那些对游戏开发感兴趣，尤其是想深入理解游戏底层机制的程序员来说。 让我们来看看C源码部分。C语言是一种基础且强大的编程语言，被广泛用于系统编程、嵌入式开发以及游戏开发等领域。雷霆战机的C源码揭示了游戏的逻辑结构、算法实现和控制流程。通过阅读和分析这些代码，我们可以了解到游戏如何处理玩家输入、如何渲染图形、如何播放音频、如何实现游戏物理引擎、如何管理内存，以及如何进行错误检测和调试。此外，源码中可能还包括了游戏的AI设计、关卡设计和游戏规则等复杂功能的实现。 数据文件方面，`Flydata.dat`可能包含游戏的各种配置信息、关卡数据、角色属性、敌人设定等。这种二进制数据文件通常需要解析工具或源代码来解读，以便理解其内部结构和内容。`FlySound.lib`可能是一个音频库文件，存储了游戏中的各种音效和背景音乐，而`sound(未转换,原始数据)`可能是未经过处理的原始音频文件，可能需要音频编辑软件进行转换或编辑。`bmp（原始数据）`文件夹则可能包含游戏中的位图图像资源，包括角色、背景、爆炸效果等，这些图片在游戏运行时会被加载并显示。 学习这个源码和数据，开发者可以深入理解游戏开发的全貌，包括数据结构的设计、资源的管理和优化、以及如何利用C语言的特性高效地实现游戏逻辑。这对于想要提升C编程技能、了解游戏开发流程，或者进行游戏修改（MOD）的人来说，都是极其宝贵的材料。 这份资源提供了从代码到数据的完整游戏开发实例，可以帮助学习者从实践中学习C语言编程、游戏逻辑构建、数据文件处理等多个方面的知识。通过实际操作和研究，不仅可以提高编程技能，也能增强对游戏开发流程的理解，从而在未来的游戏项目中更加得心应手。

2000-2023年全国各省资本存量测算数据（含原始数据+测算过程+计算结果） 1、时间：2000-2023年（以2000年为基期） 2、范围：30个省市（不含西藏） 3、指标：固定资产形成总额、固定资产投资价格指数、资本存量 4、来源：ZG统计年鉴、各省年鉴、国家统计局 5、方法说明：永续盘存法，借鉴单豪杰（2008）的方法利用固定资产形成总额计算资本存量；本期资本存量=上期资本存量*（1-10.96%）+本期固定资产形成总额，其中10.96%是折旧率，引用单豪杰的做法 以2000年为基准年份的基年资本存量的准确——引用单豪杰（2008）数量经济技术经济研究上的一篇文章《中国资本存量K的再估算： 1952～2006年》，即采用各省2001年的固定资本形成总额比上平均折旧率10.96%与2001～2005年间投资增长率的平均值之和作为该省的初始资本存量 注：2018-2023年固定资产形成总额利用年增长率计算所得，2018-2023年固定资产价格指数采用cpi替代

一、数据简介： 1、共包含四个系统性极值风险指标：dcc方法计算的Δcovar、分位数计算的Δcovar、分位数计算的covar和mes。 2、统计范围：上市金融机构（银行、证券、保险等） 2、时间跨度：2007年至2022年，数据为非平衡数据，即不一定都是2007年开始的，但是2010年后的数据基本都有。所计算的数据能很好的描述金融危机、股灾和新冠疫情。 3、文件包含计算代码＋原始数据＋计算结果 二、指标说明：     金融系统性风险是指在金融系统内，由于各种关联的存在，形成风险传染，而逐渐产生的内生性不确定损失(Allen and Gale, 2000)。除了有关系统性风险内生机制(Acemoglu e 三、参考文献： [1]王剑,杜红军.非对称尾部相依视角下的金融机构系统性风险研究[J].金融经济,2023,No.561(03):54-69.DOI:10.14057/j.cnki.cn43-1156/f.2023.03.002. [2]朱子言,刘晓星.系统性风险溢出与脆弱度——基于中国上市金融机构尾部风险感知的研究[J].金融经济学研究,2023,38(02):20-34.

一、实验目的 1、复习主成分分析的原理和算法 2、使用sklearn库函数实现对鸢尾花数据集的主成分分析，观察主成分分析的作用 3、（选做）解读基于主成分分析和支持向量机的人脸识别程序 二、实验步骤 1、导入鸢尾花数据集，查看数据分布情况： 选取三个特征查看数据分布情况 选取两个特征查看数据分布情况 2、使用主成分分析函数对鸢尾花数据集降维 3、对降维后的数据集和原始数据集分别进行线性判别分析，比较分析的准确率 4、（选做）使用数值计算方法实现步骤2，深入了解主成分分析的实现过程 三、实验结果与讨论 1、简单清楚的叙述主成分分析的过程 2、绘制人脸识别程序的流程框图