问题标签 [discrete]

我有特定植物物种的 200 个个体大小的数据。但是大小是通过间接方式测量的，在总共 14 个月内每月计算叶子的数量（离散数据）。植物的发芽、生长和死亡非常不规律，有的植物寿命长，有的植物死亡快，而且发芽的时间也很不规律：新植物在整个研究期间不断发芽并被纳入研究. 这是我的数据示例（单元格内的数字是指叶子的数量）：

按照 Shibaprasadb 的建议，这里是我的数据的一个子集，已经转换为长格式：

• 植物= 每个植物的识别号。
• 月= 植物发芽的月份。
• 时间= 类似于月份，但每个工厂从零开始。
• 叶子= 每株植物的叶子数。
• 托盘= 每个植物所在的托盘；总共有 10 个托盘，每个托盘包含不同类型的土壤。
• 土壤营养素= 每个托盘每个月的养分总量。
• 浇水= 每个月添加到每个托盘的水量。
• UV_treatment = 一种积极的紫外线处理，我们有兴趣探索其对植物的影响。

我有兴趣检查它们的生长是否存在某种模式，我的意思是它们是否首先显示叶子数量增加，然后它们变得稳定，以及它们是否突然死亡或在死亡前逐渐减少叶子数量。

我一直在寻找R中的物候分析，但到目前为止我发现的主要与气候变化，全球参数等有关。另一方面，考虑时间序列的增长分析侧重于一长串数据一个特定的变量，而不是几个个体。

我想探讨生物体的丰度与几个可能的解释因素之间的关系。我对在 GLMM 中应该将哪些变量称为固定变量或随机变量存有疑问。

我有一个数据集，其中包含国家公园内不同地点的蜗牛数量（所有地点都处于相同的气候条件下）。但是还有一些局部参数对蜗牛丰度的影响尚未得到研究。

这是一项纵向研究，随着时间的推移重复测量（每个月，近两年）。统计田间蜗牛的数量，总是在相同的 21 个地点（每个地点有一块 6x6 平方米的地块，用木桩划定）。

如果它可能影响分析，请注意某些参数可能会随时间而变化，例如每个地块的植被覆盖，或蜗牛天敌的存在（用是/否值测量）。然而，其他的总是相同的，因为它们是特定于每个站点的，例如距离最近的河床或土壤类型。

这是我的数据的一个子集：

所以我有兴趣调查每个站点的蜗牛数量是否有显着差异，以及这些差异是否与某些特定参数有关。

到目前为止，我发现的最好的统计方法是广义线性混合模型。但我在选择正确的固定变量和随机变量方面很挣扎。我的理由是，虽然我正在检查站点之间的差异（通过比较蜗牛的数量），但研究的重点是上面评论的其他参数，因此站点将是一个随机因素。

那么，我的问题是：“站点”和“时间”是否应该被视为随机因素，而本地参数应该是固定变量？我应该包括时间和其他因素之间的相互作用吗？

我的命令设置如下：

它会是我所描述的正确语法吗？

我有一个函数，我想基于整数向量进行优化。本质上，我试图通过更改输入的顺序来找到最大值。请参阅下面的示例。我的数据要大得多，所以我想知道是否有一个包比随机更改“vec”输入直到我找到最大值更好？任何帮助是极大的赞赏！

GenSA 尝试

参数度量不是整数。此外，输出应使用“vec”的所有输入。我确定我做错了什么。

认为我找到了解决方案！谢谢。

我有一个序列 x1，它与输出向量 (nx) 的长度相同。但是，输出向量从 -12890:13975 开始。我需要沿轴 (nx) 定义系统的输出 (y[n])。我使用了 circshift( ) 并根据移位的方向用零替换移位数组的后/前填充。我认为输出可能是正确的，但我怀疑输出是否正确地沿输出轴定义。 在此处输入图像描述///无法发布图像：y[n] = Sum_(k=-inf:inf){(A^k) x[n - N k]} 是系统。输入 x[n] 是 x1。输出向量 y[n] 是 nx。输出为 y。我任意选择了 -30:30 的班次来测试情节。谢谢

我对编程和尝试使用 Cartopy 创建整个夏威夷的碱度等值线图还是很陌生。我将需要根据 xy 网格插入名为 MODIFIED_TA 的点值，但无法弄清楚如何执行此操作。我正在使用的代码是：

结果与我所希望的完全不同，我不知道如何插入这个值，以便它在 x/y 坐标网格上呈现为平滑渐变。任何帮助将不胜感激！

在此处查看输出

我在 R 中创建了印第安纳州的等值线地图。该地图已构建为一个闪亮的应用程序——地图本身的代码如下：

上述代码的输出如下所示：Indiana State Choropleth。

我之前已经对此运行了 kmeans 聚类，并将所述聚类添加到代码片段中引用的 IndianaPlotting_V3 数据帧中。我需要为这个等值线分配一个调色板，它根据每个县分配到的集群来缩放颜色。关于如何做到这一点的任何想法？我尝试了各种在线资源，但都没有取得任何成功。

我在 xlsx 中有一个数据集，其中包含一些离散值（名称：saoi），我想看看哪种离散分布更适合它们。

我做了一些直方图：

[完整直方图]

[值直到 5000 的历史记录]

[值直到 10000 的历史记录]

代码是这样的：

这些值是：

在[21]中：saoi

出[21]: 数组([ 0, 13, 101, 106, 10, 22, 73, 30, 1, 54, 44, 2, 4, 52, 106, 70, 1, 11, 3, 50, 2, 9, 2, 28, 32, 15, 2, 42, 53, 16, 13, 70, 12, 91, 11, 43, 18, 53, 91, 9, 52, 9, 19, 27, 18, 53, 19, 242, 19, 22, 24, 53, 90, 82, 100, 62, 111, 20, 22, 8, 41, 134, 51, 72, 10, 1, 23, 3, 32, 1, 30, 18, 164, 10, 32, 35, 65, 79, 19, 21, 37, 20, 55, 32, 75, 489, 61, 111, 54, 46, 68, 53, 12, 7, 95, 43, 48、11、241、7、295、284、55、69、223、4、66、278、33、22、26、197、117、242、252、29、325、289、76、28、84、 21、204、74、189、11、162, 85, 35, 510, 4, 135, 299, 211, 406, 149, 99, 2, 10, 1150, 427, 337, 16, 157, 620, 95, 257, 45, 368, 428, 108, 1041、189、32、246、38、351、578、151、240、905、309、7、8、25、226、22、50、637、74、825、152、543、1484、893、524、 866、5、236、1608、387、1038、83、147、2871、6669、2058、577、1634、2522、4915、9、298、3074、856、29、7164、1641、1270、143、 476、2145、1678、2135、86、1085、4106、967、266、1302、11875、6011、63、1470、2321、9080、19216]）309、7、8、25、226、22、50、637、74、825、152、543、1484、893、524、866、5、236、1608、387、1038、83、147、2871、6669、 2058、577、1634、2522、4915、9、298、3074、856、29、7164、1641、1270、143、508、476、2145、1678、2135、86、1085、4106、967、26 11875、6011、63、1470、2321、9080、19216])309、7、8、25、226、22、50、637、74、825、152、543、1484、893、524、866、5、236、1608、387、1038、83、147、2871、6669、 2058、577、1634、2522、4915、9、298、3074、856、29、7164、1641、1270、143、508、476、2145、1678、2135、86、1085、4106、967、26 11875、6011、63、1470、2321、9080、19216])

我试图用这段代码拟合一些离散分布（使用可能性）：

但结果很糟糕，因为可能性为 0。

我怎样才能找到更好的拟合离散分布？连续的方法有很多，但离散的方法呢？

我正在尝试为灰度 bmp 图像制作卷积算法。下面的代码来自 Udemy 上的图像处理课程，但是关于使用的变量和公式的解释有点短。问题出在二维离散卷积部分，我无法理解此处实现的公式

在 3 行中，使用的公式相似且最难理解其实现，如果可能，请帮助理解这些代码逻辑或它们到底在做什么：

对于使用的公式/伪代码，请查看以下网站上的卷积部分：- https://en.wikipedia.org/wiki/Kernel_(image_processing)

或者

g(x,y) = ∑k= -n2 to n2 ∑j= -m2 to m2 h(j,k) * f(xj, yk) ，其中 m2 = 掩码宽度的一半 & n2 = 掩码高度的一半

或者

我有一个连续的因变量和一个离散的自变量（可以取值 0,0.25,0.5,0.75,1）。我希望能够在连续范围内用自变量预测因变量（可以取 0 到 1 之间的任何值，例如 0.46）。在训练回归模型之前，有什么方法可以将自变量转换为连续变量？还是我必须在自变量的离散版本上对其进行训练并接受我目前达到的低准确度？

我正在尝试使用 choropleth 绘制地图，但它给了我一个错误，说“color_dicrete_map”是一个意外的关键字。有人可以帮我吗？