制裁升级!拜登会不会拖世界下水?

作者 | 万连山

数据支持 | 勾股大数据(www.gogudata.com)

制裁升级!拜登会不会拖世界下水?

在全球能源短缺问题继续升温之际,美国继续推动“全面封杀”俄罗斯能源。

昨夜,拜登在新闻发布会上说,“今天,我宣布美国瞄准俄罗斯经济的大动脉,禁止所有俄罗斯石油、天然气和能源的进口。这意味着美国港口将不再接受俄罗斯石油,美国人民将对普京的战争机器造成又一次强有力的打击。”

英国紧随其后,商业与能源大臣称将“在2022年底前逐步停止进口俄罗斯石油和石油产品。”

消息出来,国际油价一度飙涨至139美元/桶, 美股也在震荡中收低。

制裁升级!拜登会不会拖世界下水?

看到这里,我脑海中突然涌现出一幅画面:

一头灰熊凶威凛凛,手持猎枪、担忧被袭击的平民,联邦警察,动物保护主义者,环保主义者,他们在森林里相遇。

这尴尬的局面如何打破?

有人忽然灵光一闪,大喝一声:灰熊通俄……

拜登再次升级对俄制裁,全面封杀俄罗斯石油和天然气,会产生那些后果?点击视频了解等多内容制裁升级!拜登会不会拖世界下水?👇

01

分歧益深

此前,虽然北约对俄罗斯展开了一系列制裁,但始终没有波及到石油与天然气。(尽管早在上个月,加拿大就宣布禁止进口俄油,但这只是象征性的,毕竟该国自2019年起就从没有进口过石油。)

随着能源价格飙升,英美与其他欧洲盟友,在是否禁止俄能源问题上的分歧,越来越明显。

很显然,后者对俄罗斯能源更加依赖。

从去年的数据看,美国市场大部分进口能源都来自加拿大,从俄罗斯购买的原油仅占3%。

同时,美国本身就是油气大国,页岩油产能正在逐步恢复中,当然乐于见到国际油气价格飙升。

再加上前段时间以每天7亿美元的资金,疯狂收购俄罗斯石油,美国现在的石油储备非常充足。

也正因为如此,在周二的民意调查中,超过70%美国人支持对俄罗斯石油的禁令。

制裁升级!拜登会不会拖世界下水?

当然,这并非没有代价。

美国国内普通汽油均价达到4.17美元/加仑,为近14年最高水平,而且还有上涨趋势。

而交通运输成本上升,势必会抬高终端商品价格,最终推高整体通胀率。美国1月的通胀已经高达7.5%,再往上升,会不会无法控制?

不会。这是一盘很大的棋,第三段会详细说明。

但在欧洲,实施这一禁令,要困难得多。

欧洲国家的工业、发电和取暖等,都需要大量的天然气,约40%依靠俄罗斯进口。随着能源价格的不断飙升,由此引发的通胀危机给经济发展和民生,已经造成严重的影响。

尤其是德国,55%的天然气供应依赖俄罗斯。如果效仿英美施行禁令,供电、运输、供暖和工业运转,都将陷入停滞。

其他欧盟国家也好不到哪去。

德国、法国、荷兰相继表态,就俄罗斯能源禁令持谨慎态度,不愿意与美国共进退。

按照欧洲媒体的说法:欧盟对俄制裁就是一种自残式行动。

目前,欧洲天然气期货价格,已经是美国的20多倍。与去年同期300欧元/千立方米的天然气价格相比,目前的价格已经飙升至3500欧元。

全球大宗商品暴涨的直接后果,是造成紧密相关国家通货膨胀。而由乌克兰往西,首当其冲的就是众多欧洲内陆小国。

国际能源价格如果继续飙升,最先倒下的绝不是俄罗斯,而是欧盟中经济比较落后的成员国。

而美国军火巨头的武器和能源巨头的页岩气不但不愁没人要,还能哄抬物价大发灾难财。欧洲却要为此付出惨重的代价——成为这波对俄制裁的最大受害者。

制裁升级!拜登会不会拖世界下水?

美国鼓动欧盟与俄罗斯作对可以,但这存在上限,不能撕破最后的脸皮,否则自己承受不起。

虽然华盛顿一直奏乐,欧盟就得一直舞,但总有累的时候。无法解决后顾之忧,就彻底为其卖命,基本是不可能的。

美、英、加不顾盟友死活,坚持扩大对俄制裁以推高国际油价。如果美欧在这一问题上互不让步,双方的内讧大戏或将上演。

制裁升级!拜登会不会拖世界下水?

这个场景可能再现。

02

谁能横刀立马

俄罗斯是全球最大的原油出口国,每天的供应量约为700万桶,占全球7%。

假如,欧美真的全面封禁俄罗斯油气,这么大的缺口,谁能补上?

尤其是,缺席国际市场多年的伊朗石油,回归之日至今不明

3月5日,俄外长要求美国保证制裁不会损害俄罗斯与伊朗之间的贸易。言下之意,西方对俄制裁,已成为伊核协议的绊脚石。

OPEC组织秘书长巴尔金都也在7日发出警告,欧佩克国家无法控制全球油价上涨,地缘政治才是决定者。

据《国会山报》消息,随着俄乌冲突持续,阿联酋和沙特领导人均拒绝接听拜登的电话,因为担心谈话内容会涉及中东产油国进出口问题。

同时,欧美在重启伊核谈判时,也没有足够考虑到中东国家的意愿。

制裁升级!拜登会不会拖世界下水?

全球第四大石油生产国、美国最大的海外原油供应国加拿大,虽然日产量超过500万桶,但该国向南的输油管道容量有限,只有一条通往其海岸线的原油管道。

目前加拿大西海岸正在建设一个大型液化天然气设施,但要到2025年前后才能完工。

加拿大自然资源部长威尔金森也声明:未来几个月,加拿大更有可能做的是帮助其他国家制定长期能源战略,而不是直接影响油价。

也就是说,目前全球没有任何产能,可以替代俄罗斯每天700万桶的石油出口。美国或许可以,但它当然不会这么做。

俄前总统梅德韦杰夫曾在7日表态:我只能祝贺“有远见”的欧洲同事,他们可靠地保护自己不受“阴险的”俄罗斯和北溪2号项目影响。

早在德国叫停北溪2号时,他就预测欧洲人很快将迎来“为1000立方米天然气支付2000欧元的美丽新世界”

现在来看,这不仅不是耸人听闻,反而还低估了现实。

据荷兰TTF指数(欧洲天然气主要交易指标),4月交割期货周一开盘价为2366.8美元/千立方米,90分钟内上涨至3888.4美元,比周五的结算价格2170.2美元,上涨了79%。

3月7日,塞尔维亚总统武契奇也做出提醒,如果俄罗斯石油被禁止,世界油价将比历史高点还要高出2-3倍。

若此话成真,届时所有原材料的价格都将飙到天上,我们所熟知的一切规则,可能都需要重塑。

天然气、石油等能源价格只是一个侧面,小麦、玉米等基础粮食价格的暴涨,才是最要命的,必然会传导至几乎所有生活必需品售价上。

制裁升级!拜登会不会拖世界下水?

而这些,都是现在的欧洲,正在经历的过程——极有可能面临一场崩溃式的通胀,最终形成政府巨大的财政赤字,摧毁数十年来欧洲人不劳而获的福利制度。

这股旋涡,正迅速向全世界发散。

03

拜登的“伟大”资产

美国的疫情治理与经济恢复,还不知道要花多少钱。可以说,建国200多年以来,美利坚几乎没有遭受过如此重大的危机。

太阳底下没有新鲜事。

地主家的房子漏了,自然不会亲自动手去补。

不知道还有没有人记得,2月20日,拜登在白宫记者会上说道:“通胀是一笔伟大的资产。”

语出四座皆惊。大王这是何意?

事出反常必有妖孽。

美国1月的通胀上升到40年新高7.5%,已经是很惊人的数字。但在其他国家,承受的压力只会更大。

列一组很直观的数据。

2014年,也就是上一次国际油价上100美元时,1欧元能换1.4美元。

现在呢?1欧元只能换1.1美元。

换句话说,在以美元结算的石油体系中,欧元不到十年贬值了26%。

同样的道理,英镑贬值22%,日元也贬值了15%。

制裁升级!拜登会不会拖世界下水?

如果把美国比作一只蚁后,近几年印出的海量美钞,就是刚孵化出的工蚁。

在和平时期,蚁后乐善好施,不断派遣幼工蚁帮助邻居建设发展,参与到经济和商业流通中,渗透进世界每一个角落。

当这些工蚁成年,蚁后会大幅、高频、快速加息,召唤孩儿们回归母巢,也就是美国本土。

比如在70年代,美国经济被越南战争拖垮,通胀率最高达到13.3%。危急时刻,尼克松放出史上最强力财长——沃尔克。此君一上任,就把美元基准利率升到22.4%。

这一夸张的举动就像咒语,流落在全球的美元纷纷回归本土,帮助美国经济从最艰难的时期一跃而起。

而那些借了美债的国家,经济一下倒退了十年。

制裁升级!拜登会不会拖世界下水?

最近一系列事件的进展,与当年何其相似?

而接下来两个月,美国通胀水平极有可能在8%以上。不论到什么水平,通过即将到来的美联储加息,同时释放战略石油储备,压制本国油价,美国通胀必然会有一定程度回落。

其他国家,如果不付诸行动,飙升的油价,将使得通胀全线失控。这也是为什么,从去年年底开始,加拿大和英国突然加息,走在美国前面。毕竟谁也不傻。

届时,所有海外的资金,为了避免大幅贬值,都会流向美国本土。等于是利用全球的钱,让本国经济从废墟中站起来,从而实现“再次伟大”。

以这个角度来看,通胀对美国而言确实是一笔“伟大”的财富。

但这一次,还能如愿以偿吗?

最近三十年,美利坚开支无度、穷兵黩武,赤字连创新高,动不动就对敌国制裁,世界早就开始“去美元化”进程,美元占全球央行外汇储备的比例,从71%下滑到了59%。

再加上前不久,俄罗斯被踢出swift系统,央行4000亿美元的储备、俄富豪的大量美元资产也被冻结。

这让所有富人都意识到,私人财产不可侵犯这句话有多么可笑。以李嘉诚甩卖英国千亿资产为例,大量资金会撤出,寻找美元以外的替代品。

制裁升级!拜登会不会拖世界下水?

替代品有哪些?除欧元、日元、英镑,人民币也是一个越来越有力的竞争者。

美国加息,中国降准,可以看到,双方的货币政策正好相反。如果能守住,就能争取到更多惊慌失措的资金。

就像在这一轮俄乌危机中,大量欧洲资金进入中国避险,提升了中国资产吸引力一样。

这对我们的市场,是很大的利好。假以时日,究竟是谁实现“再次伟大”,还说不准。

04

尾声

三十年来,这个世界处于单极,或者说垄断状态。

身处糟糕的世界,特别是有一个自私的老大,谁也无法独善其身。

今天A股,又遭一记闷棍,比昨天还痛。

两市上涨1077只,下跌3525只,跌停28家。沪指一度失守3200点,创业板2600也没了。

从高开低走,午后跳崖,到尾盘深V,多少韭菜无语凝噎。

不光是大A,现在全球市场都是软妹子,动不动就大跌。

再这样下去,迟早要出事。

制裁升级!拜登会不会拖世界下水?

好消息是,乌克兰总统表示,对加入北约已经心灰意冷。俄乌战争的转机是否将要到来?股市是否能被拯救?全得看这位老哥何时会认怂。

最后,希望亏麻了的朋友,不要心灰意冷。给你们推荐一本书,相信会有些帮助。

制裁升级!拜登会不会拖世界下水?

为什么书皮是绿色的?

健康。

转自:https://mp.weixin.qq.com/s/LhoOksOBys_fRRdPfxYR4g

诗词书单收集

利用故事性强和趣味性浓的书籍中搭建诗词背后的历史框架。

推荐书单

♦️Top1:《鲜衣怒马少年时1、2》

♦️Top2:《枕上诗书——遇见最美唐诗》

《枕上诗书——遇见最美宋词》

他们有才,亦有爱——宋词中的缱绻爱情

♦️Top3:《唐诗背后那些有趣的灵魂》

《宋词背后那些有趣的灵魂》

——唐朝:从沙漠骆驼王昌龄

到京城四少王维,再从放荡不羁李白到朦胧诗派李商隐…

——宋朝:从歌女之友柳永到人性之光范仲淹

,再从生活虐我千百遍,我待生活如初恋的苏轼…

你们想了解这些诗词大咖们的爱恨情仇,这三套书统统给你安排的明明白白。

Apriori 关联规则算法(Python代码)

Apriori 关联规则算法(Python代码)

一、关联规则概述
1993年,Agrawal等人在首先提出关联规则概念,迄今已经差不多30年了,在各种算法层出不穷的今天,这算得上是老古董了,比很多人的年纪还大,往往是数据挖掘的入门算法,但深入研究的不多,尤其在风控领域,有着极其重要的应用潜力,是一个被低估的算法,很少见到公开的文章提及,我尝试一一剖析,希望给你带来一定的启示。
我倒是进行了比较深刻、全面的思考,并进行了大量的实验,这个话题感觉可以聊三天三夜。世界风云变幻,但本质没变化,各种关联一直存在,有意或无意的!
比如你女朋友,低头玩手指+沉默,那大概率生气了,那这就是你总结出来的规则。啤酒与尿布的例子相信很多人都听说过吧,故事是这样的:在一家超市中,人们发现了一个特别有趣的现象,尿布与啤酒这两种风马牛不相及的商品居然摆在一起,但这一奇怪的举措居然使尿布和啤酒的销量大幅增加了。为什么有这么奇怪现象呢?是因为美国妇女在丈夫回家前买尿布,然后丈夫顺手买了自己喜欢的啤酒,所以发生了这么有趣的事情。
很多人只记住了啤酒尿不湿,很少深入思考,我们稍微转换下,日常的事情,也存在非常多的关联规则?

二、应用场景举例

1、股票涨跌预测

放量+高换手率 -> 大概率上涨,历史数据挖掘,假如发现放量+高换手率的股票大概率上涨,则挖掘当天满足条件的个股,然后第二天买入,躺赚。

2、视频、音乐、图书等推荐

根据历史数据,如果大规模的存在某些用户看剧列表为:小时代 -> 上海堡垒,那么一个新的用户看了小时代,马上就给推荐上海堡垒,那大概率也会被观看,呼兰的账号,就是这么脏的。

3、打车路线预测(考虑时空)

根据大量的数据挖掘出以下规则
早上:起点家->目的地公司,
晚上:起点家->目的高铁站
周末:起点家->目的地购物中心
那当你每天早上打开软件的时候,打车软件就会推荐你的公司作为目的地,大大的减少用户的打车时间。如下图,我输入小区名称,马上给我推荐了三个地方,杭州东站第一位,因为平时的打车这个组合的支持度最高。
Apriori 关联规则算法(Python代码)

4、风控策略自动化挖掘

根据历史标题,总结出规律发现商品标题包含 老司机+百度网盘 -> 色情风险高,那后面遇到这标题包含这两个词语的,就直接拒绝了。
根据历史行为数据,发现了沉默用户+非常用地登录+修改密码->大概率都被盗号了,那一个新的账户满足这个三个条件,那马上就进行账户冻结或者实人认证,就能避免盗号风险的发生。
根据历史数据,发现用户A +B 每天都相隔10s登录 ,则可以认为A、B存在关联关系,可能是机器控制的同一批薅羊毛账户。
风控策略的自动化挖掘,这个也是我们后续要重点关注和讲解的地方。

三、3个最重要的概念

关联规则有三个核心概念需要理解:支持度、置信度、提升度,下面用最经典的啤酒-尿不湿案例给大家举例说明这三个概念,假如以下是几名客户购买订单的商品列表:
Apriori 关联规则算法(Python代码)

1、支持度

支持度 (Support):指某个商品组合出现的次数总订单数之间的比例。
在这个例子中,我们可以看到“牛奶”出现了 4 次,那么这 5 笔订单中“牛奶”的支持度就是 4/5=0.8。
Apriori 关联规则算法(Python代码)
同样“牛奶 + 面包”出现了 3 次,那么这 5 笔订单中“牛奶 + 面包”的支持度就是 3/5=0.6
Apriori 关联规则算法(Python代码)
这样理解起来是不是非常简单了呢,大家可以动动手计算下 ‘尿不湿+啤酒’的支持度是多少?

2、置信度

置信度 (Confidence):指的就是当你购买了商品 A,会有多大的概率购买商品 B,在包含A的子集中,B的支持度,也就是包含B的订单的比例。
置信度(牛奶→啤酒)= 3/4=0.75,代表购买了牛奶的订单中,还有多少订单购买了啤酒,如下面的表格所示。
Apriori 关联规则算法(Python代码)
置信度(啤酒→牛奶)= 3/4=0.75,代表如果你购买了啤酒,有多大的概率会购买牛奶?
Apriori 关联规则算法(Python代码)
置信度(啤酒→尿不湿)= 4/4=1.0,代表如果你购买了啤酒,有多大的概率会买尿不湿,下面的表格看出来是100%。
Apriori 关联规则算法(Python代码)
由上面的例子可以看出,置信度其实就是个条件概念,就是说在 A 发生的情况下,B 发生的概率是多大。如果仅仅知道这两个概念,很多情况下还是不够用,需要用到提升度的概念。比如A出现的情况下B出现的概率为80%,那到底AB是不是有关系呢,不一定,人家B本来在大盘中的比例95%。你的A出现,反而减少了B出现的概率。

3、提升度

提升度 (Lift):我们在做商品推荐或者风控策略的时候,重点考虑的是提升度,因为提升度代表的是A 的出现,对B的出现概率提升的程度。
提升度 (A→B) = 置信度 (A→B)/ 支持度 (B)
所以提升度有三种可能:
  • 提升度 (A→B)>1:代表有提升;

  • 提升度 (A→B)=1:代表有没有提升,也没有下降;

  • 提升度 (A→B)<1:代表有下降。

提升度 (啤酒→尿不湿) =置信度 (啤酒→尿不湿) /支持度 (尿不湿) = 1.0/0.8 = 1.25,可见啤酒对尿不湿是有提升的,提升度为1.25,大于1。
可以简单理解为:在全集的情况下,尿不湿的概率为80%,而在包含啤酒这个子集中,尿不湿的概率为100%,因此,子集的限定,提高了尿不湿的概率,啤酒的出现,提高了尿不湿的概率。

4、频繁项集

频繁项集(frequent itemset) :就是支持度大于等于最小支持度 (Min Support) 阈值的项集,所以小于最小值支持度的项目就是非频繁项集,而大于等于最小支持度的的项集就是频繁项集,项集可以是单个商品,也可以是组合。
频繁集挖掘面临的最大难题就是项集的组合爆炸,如下图:
Apriori 关联规则算法(Python代码)
随着商品数量增多,这个网络的规模将变得特别庞大,我们不可能根据传统方法进行统计和计算,为了解决这个问题,Apriori算法提出了两个核心思想:
某个项集是频繁的,那么它的所有子集也是频繁的
{Milk, Bread, Coke} 是频繁的 → {Milk, Coke} 是频繁的
如果一个项集是 非频繁项集,那么它的所有超集也是非频繁项集
{Battery} 是非频繁的 → {Milk, Battery} 也非平凡
如下图,如果我们已知B不频繁,那么可以说图中所有绿色的项集都不频繁,搜索时就要这些项避开,减少计算开销。
Apriori 关联规则算法(Python代码)
同理,如果下图所示,{A,B}这个项集是非频繁的,那虚线框后面的都不用计算了,运用Apriori算法的思想,我们就能去掉很多非频繁的项集,大大简化计算量,当然,面对大规模数据的时候,这种排除还是解决不了问题,于是还有FP-Growth(Frequent pattern Growth,频繁模式增长树)这种更高效的方法,后面有机会慢慢讲。
Apriori 关联规则算法(Python代码)
需要注意的是:
1)如果支持度和置信度阈值过高,虽然可以在一定程度上减少数据挖掘的时间,但是一些隐含在数据中的非频繁特征项容易被忽略掉,难以发现足够有用的规则;
2)如果支持度和置信度阈值过低,可能会导致大量冗余和无效的规则产生,导致较大计算量负荷。

四、Python算法介绍

这里用的是Python举例,用的包是apriori,当然R语言等其他语言,也有对应的算法包,原理都是一样的,大家自行进行试验。
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
#包安装 我们使用efficient-apriori,python中也可以利用apyori库和mlxtend库pip install efficient-apriori
#加载包from efficient_apriori import apriori
‘’‘apriori(transactions: typing.Iterable[typing.Union[set, tuple, list]], min_support: float=0.5, min_confidence: float=0.5, max_length: int=8, verbosity: int=0, output_transaction_ids: bool=False)上面就是这个函数的参数min_support:最小支持度min_confidence:最小置信度max_length:项集长度‘’‘
# 构造数据集data = [('牛奶','面包','尿不湿','啤酒','榴莲'), ('可乐','面包','尿不湿','啤酒','牛仔裤'), ('牛奶','尿不湿','啤酒','鸡蛋','咖啡'), ('面包','牛奶','尿不湿','啤酒','睡衣'), ('面包','牛奶','尿不湿','可乐','鸡翅')]#挖掘频繁项集和频繁规则itemsets, rules = apriori(data, min_support=0.6, min_confidence=1)#频繁项集print(itemsets){1: {('啤酒',): 4, ('尿不湿',): 5, ('牛奶',): 4, ('面包',): 4}, 2: {('啤酒''尿不湿'): 4, ('啤酒''牛奶'): 3, ('啤酒''面包'): 3, ('尿不湿''牛奶'): 4, ('尿不湿''面包'): 4, ('牛奶''面包'): 3}, 3: {('啤酒''尿不湿''牛奶'): 3, ('啤酒''尿不湿''面包'): 3, ('尿不湿''牛奶''面包'): 3}}itemsets[1] #满足条件的一元组合{('啤酒',): 4, ('尿不湿',): 5, ('牛奶',): 4, ('面包',): 4}itemsets[2]#满足条件的二元组合{('啤酒', '尿不湿'): 4,('啤酒', '牛奶'): 3,('啤酒', '面包'): 3,('尿不湿', '牛奶'): 4,('尿不湿', '面包'): 4,('牛奶', '面包'): 3}itemsets[3]#满足条件的三元组合{('啤酒', '尿不湿', '牛奶'): 3, ('啤酒', '尿不湿', '面包'): 3, ('尿不湿', '牛奶', '面包'): 3}#频繁规则print(rules)[{啤酒} -> {尿不湿}, {牛奶} -> {尿不湿}, {面包} -> {尿不湿}, {啤酒, 牛奶} -> {尿不湿}, {啤酒, 面包} -> {尿不湿}, {牛奶, 面包} -> {尿不湿}]
#我们把max_length=2这个参数加进去看看itemsets, rules = apriori(data, min_support=0.6,min_confidence=0.5,max_length=2)#频繁项集print(itemsets){1: {('牛奶',): 4, ('面包',): 4, ('尿不湿',): 5, ('啤酒',): 4, ('R',): 4}, 2: {('R', '啤酒'): 4, ('R', '尿不湿'): 4, ('R', '牛奶'): 3, ('R', '面包'): 3, ('啤酒', '尿不湿'): 4, ('啤酒', '牛奶'): 3, ('啤酒', '面包'): 3, ('尿不湿', '牛奶'): 4, ('尿不湿', '面包'): 4, ('牛奶', '面包'): 3}}#通过这个数据我们可以看到,项集的长度只包含有两个项了
五、挖掘实例
每个导演都有自己的偏好、比如周星驰有星女郎,张艺谋有谋女郎,且巩俐经常在张艺谋的电影里面出现,因此,每个导演对演员的选择都有一定的偏爱,我们以宁浩导演为例,分析下选择演员的一些偏好,没有找到公开的数据集,自己手动扒了一部分,大概如下,有些实在有点多,于是简化下进行分析。
Apriori 关联规则算法(Python代码)
可以看到,我们一共扒了9部电影,计算的时候,支持度的时候,总数就是9.
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
#把电影数据转换成列表 data = [['葛优','黄渤','范伟','邓超','沈腾','张占义','王宝强','徐峥','闫妮','马丽'], ['黄渤','张译','韩昊霖','杜江','葛优','刘昊然','宋佳','王千源','任素汐','吴京'], ['郭涛','刘桦','连晋','黄渤','徐峥','优恵','罗兰','王迅'], ['黄渤','舒淇','王宝强','张艺兴','于和伟','王迅','李勤勤','李又麟','宁浩','管虎','梁静','徐峥','陈德森','张磊'], ['黄渤','沈腾','汤姆·派福瑞','马修·莫里森','徐峥','于和伟','雷佳音','刘桦','邓飞','蔡明凯','王戈','凯特·纳尔逊','王砚伟','呲路'], ['徐峥','黄渤','余男','多布杰','王双宝','巴多','杨新鸣','郭虹','陶虹','黄精一','赵虎','王辉'], ['黄渤','戎祥','九孔','徐峥','王双宝','巴多','董立范','高捷','马少骅','王迅','刘刚','WorapojThuantanon','赵奔','李麒麟','姜志刚','王鹭','宁浩'], ['黄渤','徐峥','袁泉','周冬雨','陶慧','岳小军','沈腾','张俪','马苏','刘美含','王砚辉','焦俊艳','郭涛'], ['雷佳音','陶虹','程媛媛','山崎敬一','郭涛','范伟','孙淳','刘桦','黄渤','岳小军','傅亨','王文','杨新鸣']] #算法应用 itemsets, rules = apriori(data, min_support=0.5, min_confidence=1) print(itemsets){1: {('徐峥',): 7, ('黄渤',): 9}, 2: {('徐峥', '黄渤'): 7}} print(rules) [{徐峥} -> {黄渤}]
通过上述分析可以看出:
在宁浩的电影中,用的最多的是黄渤和徐峥,黄渤9次,支持度100%,徐峥7次,支持度78%,(‘徐峥’, ‘黄渤’) 同时出现7次,置信度为100%,看来有徐峥,必有黄渤,真是宁浩必请的黄金搭档,且是一对好基友。
 
当然,这个数据量比较小,我们基本上肉眼也能看出来,这里只是提供一个分析案例和基础方法,巩固下基础知识,算是开胃菜,大规模的数据,人眼无法直接感知的时候,算法的挖掘与发现,就显得特别有意义了,后续会陆续推出相应的文章。

 

转自:https://mp.weixin.qq.com/s/2iNO3som2MUnhJroMn9y5Q

上海中考数学,进四校八校和市重点要多少分?

依据2021年新中考第一年,从考试数据看,对于我们即将参加2022届中考的初三毕业生,参考价值极大。
 其一,【数学科目】的成绩要求,进不同类型的高中,大体依旧是:
  • 普通高中,120-130分
  • 区重点高中,135分左右
  • 普通市重点高中,140分左右
  • 四校八校,145分左右
  其二,要拿到高分成绩,从试卷结构看,拉开大家差距的主要是这几题:
第【18】题,4分,填空题,基本上常考三角形的翻转转折
第【23】题,12分(共2小问,6+6)考查相对简单的几何证明
第【24】题,12分(共3小问,4+4+4)考查数形结合二次函数与三角形四边形的几何知识压轴题
第【25】题,14分(共3小问,3+5+6)则是几何和代数的二次函数与圆的运动所产生的相似、动点问题的大综合压轴题目
尤其是18,24,25题,相对最难。
  其三,那我们细看一下,在一张试卷中:
要考到普高120-130分,允许丢分题是
第18题—4分   
第23题(第2问)—6分
第24题(第2问) — 4分  
第24题(第3问) — 4分
第25题(第2问) — 5分   
第25题(第3问) — 6分
考到区重点135分左右,允许丢分题是
第24题(第3问) — 4分
第25题(第2问) — 5分   
第25题(第3问) — 6分
️考到普通市重点140左右,允许丢分题是
第24题(第3问) — 4分  
第25题(第3问) — 6分
如果四校八校,145左右,允许丢分题是
第25题(第3问) — 6分
那么,初三的小朋友,在进行中考前的训练时,就可以非常有针对性地进行练习,抓住薄弱点和题型,使得目标更加清晰。
(下图考情是基于历年考情整体分析,供参考)
上海中考数学,进四校八校和市重点要多少分?
 
  • 上海中考数学,进四校八校和市重点要多少分?

转自:https://mp.weixin.qq.com/s/5Oa4dVHjy9GxGy6EzdFUWQ

上海各区考入市重点难度分析!

今天,升学君整理出2021年上海16区的市重点高中平行志愿分数线,并计算出16区市重点的平均分数线,从录取分数角度来分析各区考入市重点的难度究竟如何!
 

上海各区考入市重点难度分析!

 

若比较最低分数线:

 

闵行(694)>徐汇(690.5)>松江(690)>嘉定(689.5)>奉贤(688)>浦东(687.5)>杨浦(686)>普陀(685.5)>长宁(684.5)>虹口(683.5)>宝山(682)>黄浦(674.5)>青浦(672)>崇明(669.5)>金山(668)>静安(645.5)

 

闵行的门槛最高,最低的闵行中学分数线达到694分;其次是徐汇,最低的南洋中学分数线为690.5分。可以看出,闵行、徐汇两区的头部中考成绩非常强!

 

紧随其后的松江、嘉定、奉贤有一个共同点:本区市重点只有2-3所。市重点数量较少,加上考生人数并不少,竞争相当激烈,因此市重点的门槛自然就不低了。

 

若比较平均分数线:

 

徐汇(700.3)>杨浦(699.6)>闵行(698.5)>嘉定(696.5)>浦东(696.4)>普陀(696)>松江(694.5)>长宁(690.2)>宝山(689.9)>虹口(689.8)>奉贤(689)>黄浦(688.8)>青浦(679.5)>静安(679.1)>金山(675)>崇明(669.5)

 

徐汇和闵行市重点均分都超过698分,徐汇区甚至超过700分。除此之外,杨浦区今年复附、交附都有平行志愿招生,且分数线高达711分,全区市重点录取均分也因此拉高,达到699.6分。
上海各区考入市重点难度分析!

转自:https://mp.weixin.qq.com/s/BZZ3OB8veh8O57SMF1cWoA