')
}
function initGt() {
var handler = function (captchaObj) {
captchaObj.appendTo('#captcha');
captchaObj.onReady(function () {
$("#wait").hide();
}).onSuccess(function(){
$('.getcheckcode').removeClass('dis');
$('.getcheckcode').trigger('click');
});
window.captchaObj = captchaObj;
};
$('#captcha').show();
$.ajax({
url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存
type: "get",
dataType: "json",
success: function (data) {
$('#text').hide();
$('#wait').show();
// 調(diào)用 initGeetest 進行初始化
// 參數(shù)1：配置參數(shù)
// 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗證碼對象，之后可以使用它調(diào)用相應的接口
initGeetest({
// 以下 4 個配置參數(shù)為必須，不能缺少
gt: data.gt,
challenge: data.challenge,
offline: !data.success, // 表示用戶后臺檢測極驗服務器是否宕機
new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機
product: "float", // 產(chǎn)品形式，包括：float，popup
width: "280px",
https: true
// 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/
}, handler);
}
});
}
function codeCutdown() {
if(_wait == 0){ //倒計時完成
$(".getcheckcode").removeClass('dis').html("重新獲取");
}else{
$(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)");
_wait--;
setTimeout(function () {
codeCutdown();
},1000);
}
}
function inputValidate(ele,telInput) {
var oInput = ele;
var inputVal = oInput.val();
var oType = ele.attr('data-type');
var oEtag = $('#etag').val();
var oErr = oInput.closest('.form_box').next('.err_txt');
var empTxt = '請輸入'+oInput.attr('placeholder')+'！';
var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！';
var pattern;
if(inputVal==""){
if(!telInput){
errFun(oErr,empTxt);
}
return false;
}else {
switch (oType){
case 'login_mobile':
pattern = /^1[3456789]\d{9}$/;
if(inputVal.length==11) {
$.ajax({
url: '/login/checkmobile',
type: "post",
dataType: "json",
data: {
mobile: inputVal,
etag: oEtag,
page_ur: window.location.href,
page_referer: document.referrer
},
success: function (data) {
}
});
}
break;
case 'login_yzm':
pattern = /^\d{6}$/;
break;
}
if(oType=='login_mobile'){
}
if(!!validateFun(pattern,inputVal)){
errFun(oErr,'')
if(telInput){
$('.getcheckcode').removeClass('dis');
}
}else {
if(!telInput) {
errFun(oErr, errTxt);
}else {
$('.getcheckcode').addClass('dis');
}
return false;
}
}
return true;
}
function errFun(obj,msg) {
obj.html(msg);
if(msg==''){
$('.login_submit').removeClass('dis');
}else {
$('.login_submit').addClass('dis');
}
}
function validateFun(pat,val) {
return pat.test(val);
}
首頁 > 行業(yè)圖譜 >
- 一名合格的數(shù)據(jù)分析師該怎樣解釋“買不起房”這件事
2018-01-29-
一名合格的數(shù)據(jù)分析師該怎樣解釋“買不起房”這件事
北京很大，大到容得下兩千多萬人的吃喝拉撒睡。北京很小，小到裝不下一個外地人的北漂夢。
我是一名北漂，來北京7年了，7年時間里不斷地租房搬家，心里 ...
- SPSS中三種相關系數(shù)
- 2018-01-24
-
SPSS中三種相關系數(shù)
在SPSS軟件相關分析中,pearson(皮爾遜),kendall（肯德爾）和spearman（斯伯曼/斯皮爾曼）三種相關分析方法有什么異同
兩個連續(xù)變量間呈線性相關時，使用Pearson積差相 ...
- 利用R語言如何判別和分類
- 2018-01-21
-
利用R語言如何判別和分類
判別分析（discriminant analysis）是一種分類技術(shù)。它通過一個已知類別的“訓練樣本”來建立判別準則，并通過預測變量來為未知類別的數(shù)據(jù)進行分類。
...
- R之組間差異的非參數(shù)檢驗
- 2018-01-18
-
R之組間差異的非參數(shù)檢驗
# t 檢驗
# 在研究中最常見的行為就是對兩個組進行比較。接受某種新藥治療的患者是否較使用某種現(xiàn)
# 有藥物的患者表現(xiàn)出了更大程度的改善？某種制造工藝是否較另外一種工藝制造出的不 ...
- R語言與回歸分析幾個假設的檢驗
- 2018-01-14
-
R語言與回歸分析幾個假設的檢驗
一、從線性回歸的假設說起
對于線性回歸而言，若要求回歸估計有一些良好性質(zhì)比如無偏性，就需要加上一些假定條件。比如要達到估計的無偏性，我們通常需要加上高斯-馬爾科夫條 ...
- 主成分分析、因子分析、聚類的概覽與比較
- 2018-01-12
-
主成分分析、因子分析、聚類的概覽與比較
主成分分析：利用降維（線性變換）的思想，在損失很少信息的前提下把多個指標轉(zhuǎn)化為幾個綜合指標（主成分），用綜合指標來解釋多變量的方差——協(xié)方差結(jié)構(gòu)，即每個主 ...
- 主成分分析和因子分析十大不同點
- 2018-01-11
-
主成分分析和因子分析十大不同點
主成分分析和因子分析無論從算法上還是應用上都有著比較相似之處，本文結(jié)合以往資料以及自己的理解總結(jié)了以下十大不同之處，適合初學者學習之用。
1.原理不同
主成分 ...
- Python數(shù)據(jù)分析常用函數(shù)筆記
- 2018-01-10
-
Python數(shù)據(jù)分析常用函數(shù)筆記
1、生成隨機數(shù)列表
import numpy as np
array = np.random.permutation(20)
結(jié)果：
array([12, 18, 16, 8, 10, 17, 1, 2, 9, 7, 3, 6, 15, 13, 11, 5, 4, 0, 14, 19])
2、合并兩個p ...
- SPSS—描述性統(tǒng)計分析—頻數(shù)分析
- 2018-01-09
-
SPSS—描述性統(tǒng)計分析—頻數(shù)分析
描述性統(tǒng)計量
分類
集中趨勢分析——中心趨勢的數(shù)值度量
反映一組數(shù)據(jù)向某一位置聚集的趨勢，主要的統(tǒng)計量有均數(shù)（mean）、中位數(shù)（median）、眾數(shù)（mode）、總 ...
- 數(shù)據(jù)科學的基本內(nèi)容
- 2018-01-08
-
數(shù)據(jù)科學的基本內(nèi)容
什么是數(shù)據(jù)科學?它和已有的信息科學、統(tǒng)計學、機器學習等學科有什么不同?作為一門新興的學科，數(shù)據(jù)科學依賴兩個因素：一是數(shù)據(jù)的廣泛性和多樣性;二是數(shù)據(jù)研究的共性?，F(xiàn)代社會的各行各業(yè)都 ...
- 樸素貝葉斯模型:文本分類+垃圾郵件分類
- 2017-12-10
-
樸素貝葉斯模型:文本分類+垃圾郵件分類
學習了那么多機器學習模型，一切都是為了實踐，動手自己寫寫這些模型的實現(xiàn)對自己很有幫助的，堅持，共勉。本文主要致力于總結(jié)貝葉斯實戰(zhàn)中程序代碼的實現(xiàn)（python）及樸 ...
- 數(shù)據(jù)缺失值的4種處理方法
- 2017-12-06
-
數(shù)據(jù)缺失值的4種處理方法
一、缺失值產(chǎn)生的原因
缺失值的產(chǎn)生的原因多種多樣，主要分為機械原因和人為原因。機械原因是由于機械原因?qū)е碌臄?shù)據(jù)收集或保存的失敗造成的數(shù)據(jù)缺失，比如數(shù)據(jù)存儲的失敗，存儲器 ...
- 我們進行了1億次婚戀配對實驗，然后……
- 2017-12-05
-
我們進行了1億次婚戀配對實驗，然后……
“要求別太高，差不多就行了?！?
“找個有錢人嫁了吧！”
“感情不能將就，一定要找合適的。”
……
這些說法有沒有道理呢？按照這些“標準”，是不是有更 ...
- 數(shù)據(jù)挖掘中針對缺失值的處理
- 2017-12-01
-
數(shù)據(jù)挖掘中針對缺失值的處理
一、缺失值產(chǎn)生的原因
缺失值的產(chǎn)生的原因多種多樣，主要分為機械原因和人為原因。機械原因是由于機械原因?qū)е碌臄?shù)據(jù)收集或保存的失敗造成的數(shù)據(jù)缺失，比如數(shù)據(jù)存儲的失敗，存儲 ...
- 數(shù)據(jù)分析中缺失值的處理方法
- 2017-11-23
-
數(shù)據(jù)分析中缺失值的處理方法
1、缺失值的分類
按照數(shù)據(jù)缺失機制可分為：
(1) 完全隨機缺失(missing completely at random, MCAR)
所缺失的數(shù)據(jù)發(fā)生的概率既與已觀察到的數(shù)據(jù)無關,也 ...
- SPSS混合模型：線性混合模型
- 2017-11-08
-
SPSS混合模型：線性混合模型
一、線性混合模型（分析-混合模型-線性）
1、概念：“線性混合模型”過程擴展了一般線性模型，因此允許數(shù)據(jù)表現(xiàn)出相關的和不恒定的變異性。因此，線性混合模型提供了不僅能夠就 ...
- SPSS最優(yōu)尺度:分類主成分分析
- 2017-11-05
-
SPSS最優(yōu)尺度:分類主成分分析
一、分類主成分分析（分析-降維-最優(yōu)尺度）
1、概念：此過程在減少數(shù)據(jù)維數(shù)的同時量化分類變量。分類主成份分析也表示為縮寫詞CATPCA（代表categorical principal co ...
- R語言中的方差分析
- 2017-11-01
-
R語言中的方差分析
方差分析：當包含的因子是解釋變量時，我們關注的重點通常會從預測轉(zhuǎn)向組別差異的分析，這種分析法稱作方差分析（ANOVA）。
install.packages(c(\'multcomp\', \'gplots\', \'car\', \'HH ...
- 單因素下的方差分析
- 2017-10-31
-
單因素下的方差分析
在方差分析中，有三個基本的假設：
(1) 正態(tài)假設。對于因素的每個水平，其觀測值都是來自正態(tài)總體的隨機樣本；
(2) 方差齊次假設。各個總體的方差相同；
(3) 獨立假設。 ...
- SPSS—均 值 檢 驗 （Compare Means）—配對樣本T檢驗
- 2017-10-30
-
SPSS—均 值 檢 驗 （Compare Means）—配對樣本T檢驗
用來檢驗來自兩配對總體的均值是否在統(tǒng)計上有顯著差異
配對樣本均數(shù)t檢驗簡稱配對t檢驗(paired t test),又稱非獨立兩樣本均數(shù)t檢驗,適用于配對設計計量資 ...
全國校區(qū)
京公網(wǎng)安備 11010802034615號
經(jīng)營許可證編號：京B2-20210330