spss如何使用序列号进行安装呢，其实很简单，就是不知道在哪里输入序列号，我们来看看我的安装演示吧。

• 首先，我们打开下载得到的文件夹，找到【破解教程】这个压缩包

• 接着，在这个压缩包里，你会看到有一个readme文件，我们双击打开它

• 接着，我们会看到有一列乱码，这就是序列码，将其复制下来

• 打开spss22.0的安装文件，然后一直点击下一步即可

• 直到我们看到输入序列码的提示，输入刚才复制的代码，然后点击下一步，你就完成了！

转载请注明来自DataScience.

邮箱: 675495787@qq.com

在python中，我们经常用一些逻辑运算来实现复杂的赋值运算。在一些赋值语句，也就是包含等号的python语句中，通常附带一些条件语句，以便用更少的代码写更复杂的命令，并且增加了代码的可读性，因为这些语句往往看起来就像一个英文句子，读起来还朗朗上口，下面是一个简单的赋值，后面的代码都用到了这些值。

• 在赋值中使用if语句，如果b等于c，返回a，否则返回c

• and符号表示如果a为零则返回a，否则返回b，也就是and总是返回第一个为零的数，当然，如果都不为零，则返回最后一个数

• 如果我们交换ab，返回的仍然是d=0

• 如果换成两个不为零的数，总是返回后者

• 返回后者

• or语句总是返回第一个不为零的数，下面返回的是a

• 下面返回的还是a（两个不为零的数）

• 如果交换这两个数，则返回c

转载请注明来自DataScience.

邮箱: 675495787@qq.com

amos是analyse of moment structures，也就是对矩结构的分析，主要是用于对结构方程模型（SEM）的建立和检验，不过也有使用liserl和mplus做SEM的，而amos的主要优势在于它是spss的兄弟，都是IBM公司旗下产品，具有spss一样的图形界面，使用者仅仅使用鼠标点击的方法就可以建立和检验结构方程模型，mplus必须要学习一些代码，使用编程的方法来做统计。作为amos使用教程的第一篇教程，我们先来了解一下amos的一些基本特点和基本原理，然后教给大家下载安装amos的方法。

• 了解结构方程模型：结构方程模型英文简称SEM，其实就是spss中的路径分析+因素分析。我的amos教程默认你已经懂得使用spss，如果你不会，可以去我前面的文章中找spss的全部教程来学习。我们看下面的这个结构方程，六个椭圆形构成的就是一个回归模型，而圆形以及和它直接相连的矩形构成了一个因素分析模型。

• 了解amos建立模型的步骤：很多人用惯了spss就认为amos也是和spss一样可以自己导出模型。但是amos的模型建立是依据你的理论知识的，比如上图中，我们看忠诚度由三个指标：重复购买，交叉购买，推荐情况。这三个指标是我们在构建模型之前就已经知道的，所以将这三个指标放入到模型当中。所以在验证模型之前，我们要在amos中绘制出这个模型，这需要你的理论知识作为支撑。当你把模型绘制好了以后就可以使用数据验证模型了。

• 学习amos需要什么数学知识：如果你不是统计学专业的学生，我并不建议你去学习amos的数学知识，一是非常浪费时间，你要对矩阵运算了如指掌才可以；而是完全没有必要掌握数学基础，这么说有些偏颇，掌握数学基础对你理解amos的操作非常有帮助，但是如果你不理解数学基础你仍然可以理解amos的操作以及结果，我们的教程不涉及任何数学基础，只是有时候告诉你一些简单的统计知识，所以你不必畏惧，我们鼓励你学好自己的专业知识，而不要在数学软件上浪费太多时间。

• 都有谁在用amos：心理学可能是使用amos最多的领域，不过现在最热的应该是mplus；还有一些搞问卷设计的人他们也会用amos分析问卷的信效度；经济学人士也有amos的使用者；社会学也可以使用。其他领域我个人就不是很了解了。

• 多长时间学会amos：其实amos是非常小的软件，其功能还不如spss多，所以如果你又spss的学习基础，看我写的教程一个月可以精通amos，如果没有学过spss也不怕，两个月搞定它。学习的关键是要经常使用，经常提问，所以有问题大家都可以去问我。

• 去哪里下载amos：我这里提供一个amos21.0的下载地址，已经上传到百度网盘，你们自己下载，如果想要破解也可以自己去找教程，网上有很多，不过我还是鼓励大家使用正版，在下面的参考资料里有我提供的下载链接。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

接着用Python来做线性代数，我们今天要用Python来做的练习题是来自于《线性代数.同济大学.第五版》第一章课后题第五题，题目如下：

• 先把这个矩阵录入到excel里

• 引入相关模块

• 读取并整理数据

• 第一个方法是将求得的行列式进行因子分解，输出的结果为：

• 根据这个式子我们可以知道方程的解

• 或者我们 可以直接让程序输出结果：

• 同样的方法我们来解第二小题：

• 代码是：

转载请注明来自DataScience.

邮箱: 675495787@qq.com

Python在列表迭代时有许多灵活的用法，如果不用心去设计会让你走很多弯路，比如我们设定一个这样的问题：我们想找到年龄大于30的人的名字，现在有两个列表一个为names，存放着所有人的名字，一个为ages存放有所有人的年龄：

• 我们用菜鸟的方式来解决这个问题：

• 在这里，我们创建了一个空列表oldPeople用来存放那些年龄大于30的人的名字。然后通过循环来获得那些“老人”。

• 另一种菜鸟的方式也好不到哪里去：

• 我们增加了一个递增变量i,for name in names这种写法就可以不必每次都重新获取name值；

• 我们首先可以想到enumerate可以即得到索引i，又得到列表元素name，但是这仍然不是最佳的方式

• 一种极具Python风格的写法，只需要一句代码就可以完成这个任务。

• 所谓的Python高级教程就是这些，我们提供一些实例来对比菜鸟和Python高手之间的区别，以便于菜鸟能够快速的晋级为高手，如果你觉得这篇文章对你有帮助，请收藏！如果想转载，请注明作者。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

如何求两个二分类数据的相关系数？或者两个变量不都是二分类，可能还有三分类、四分类，我们怎么求他们的相关呢？这种数据有一个特点就是，这两个变量都是名义变量，他们的数据没有大小之分，只有类别的不同，比如性别就是一个名义变量，我们定义男生为1，女生为2，不能说明女生大于男生。今天我们就来学习一下如何使用spss求列联表相关，而列联表相关就是用来求解分类数据（不连续数据）的相关的。

• 数据的录入形式：如图所示，年龄组取值分别为0和1，图书顺序取值分别为1和2

• 打开交叉表分析对话框，如图所示，找到菜单

• 我们将这两个变量分别放入行和列框中，这就是我们要求相关的两个变量

• 点击statistics，设置要输出的参数

• 在这里，我们用到了contingency coefficient（列联系数），点击continue按钮

• 回到主对话框，我们点击ok即可开始处理数据

• 在结果中，我们主要看到列联系数的值和近似sig值，显然，相关系数很小，也不显著，说明两个变量不相关。

• 如果觉得这篇文章写的还可以，记得分享给你的小伙伴！！

转载请注明来自DataScience.

邮箱: 675495787@qq.com

今天要从网页采集url，但是出现了一个问题，需要用到替换字符串来纠正，我们先在就来看看如何替换字符串，用到了正则表达式，下面是具体的过程。

• 给txt赋值，注意看http：后面的“/”，我们要把它替换成“/”

• 引入正则表达式的模块

• 我们使用subn方法来替换字符串，其返回两个值，一个是替换以后的结果，一个是替换的次数

• 我们看一下替换以后的结果，URL显示就正常了。

• 当然，我们可以不使用正则表达式对象

转载请注明来自DataScience.

邮箱: 675495787@qq.com

amos是出色的统计分析软件, 通常我们使用amos进行结构方程的分析,因为它有强大而又简单的绘图功能,所以受到很多社会学者的青睐。下面我们分享一个破解该软件的方法,希望对各个研究者有所帮助。

• 首先我们去下载amos软件,下面的链接上有这个软件的下载链接,里面还有一个破解文件,这个文件是最重要的。先安装amos,一直点击下一步,到下面这个界面的时候,选择下面第二个选项,也就是临时版本

• 接着我们要设置临时文件夹,我们使用软件默认的安装文件夹就可以了,点击右面的浏览按钮

• 在打开的对话框中,有一个temp的文件,双击这个文件即可

• 接着打开开始菜单，找到ibm spss amos，里面有一个注册快捷方式，点击它，如图所示

• 打开这个授予许可对话框，点击下一步，选择立即授予产品许可

• 从下面的参考文献中下载下来的压缩包里有一个注册码，将注册码填写进去，然后点击下一步即可完成注册

转载请注明来自DataScience.

邮箱: 675495787@qq.com

我们今天用到了spss中的分层回归，这种方法其实和回归没有太大差异，只是在回归的时候，分两个步骤进行，然后对两步中的R方值的改变大小进行显著性检验，如果达到了预先设置的显著性水平，就可以证明调节作用。我们来看看具体的步骤：

• 明确变量类型：我们今天使用的自变量、调节变量、因变量都是连续性变量，或者说是等距变量。

• 我们在菜单栏上执行：分析——回归——线性回归，如图所示

• 接着，我们要输入变量，放入因变量，然后放入自变量和调节变量，自变量和调节变量都在independent框中，图中没有列出调节变量，你别跟着犯错。点击next按钮，进入第二层

• 在第二层中，independent框中不仅仅有自变量和调节变量，还有自变量和调节变量的交互项，假如你不知道这个交互项是从哪里来的，你可以在百度经验中搜索【回归模型中如何增加交互项】。这里就不再详述了。

• 我们点击statistics按钮，进行设置

• 在这里需要重点勾选R方改变值或者其他你感兴趣的指标，如图所示，然后点击继续

• 我们先看R方的改变值是否达到了显著水平，如果达到了显著水平，然后找到模型的系数检验结果，因为保密原因，我把变量的名称都隐去了，你可以看到红色方框中就是交互项的系数检验，B值达到显著水平，说明调节作用得到了证明。

• 为了进一步看到调节变量是如何起到调节作用的，也就是具体的调节方向，我们需要进一步来进行探究，因为篇幅太长，我们在下一篇文章中讲【检验调节变量的调节方向】

转载请注明来自DataScience.

邮箱: 675495787@qq.com

如何从数据库中读取数据到DataFrame中？pandas提供这这样的接口完成此工作——read_sql()。下面我们用离子来说明这个方法。

• 我们要从sqlite数据库中读取数据，引入相关模块

• read_sql接受两个参数，一个是sql语句，这个你可能需要单独学习；一个是con（数据库连接）、read_sql直接返回一个DataFrame对象
  打印一下，可以看到已经成功的读取了数据

• 我们还可以使用index_col参数来规定将那一列数据设置为index
  结果输出为：

• 当然，我们可以设置多个index，只要将index_col的值设置为列表
  输出结果为：

• 写入数据库也很简单，下面第二句用于删除数据库中已有的表”weather_2012”，然后将df保存到数据库中的”weather_2012”表

• 假如我们使用的是mysql数据库也没问题，我们只需要建立与mysql的连接即可，用下面的con代替上面的con可以达到的效果相同。

转载请注明来自DataScience.

邮箱: 675495787@qq.com