正太分布的案例
寶鋼材料參數庫，最新
:寶鋼的09標準里材料的性能參數都比較寬（屈服最大最小差大于100MP），據了解那是為了迷惑競爭對手的，真正的材料性能成正太分布，其絕大部分材料性能集中在一個很小的范圍之內（上下20 MP），找到這個正太分布區間，取其較低值，在分析的時候就能保證零件成形性的準確性。下表為目前寶鋼材料參數正太分布區域的參考值，大家可以參考，目前國內模具廠里面的材料參數五花八門，作為主機廠要對對關鍵零件的材料參數把好關，深刻教訓啊！
里面部分材料已經經過多個項目的同類零件驗證，總結后會和大家共享，提高國內的汽車模具水平，不能錢都讓日本人和韓國人賺去了。只要我們搞好了，他們就得下崗，呵呵！
寶鋼材料性能.rar
展開 【Python數據分析基礎】: 數據缺失值處理
一般如果特征分布為正太分布時，使用平均值效果比較好，而當分布由于異常值存在而不是正太分布的情況下，使用中位數效果比較好。
注：此方法雖然簡單，但是不夠精準，可能會引入噪聲，或者會改變特征原有的分布。 下圖左為填補前的特征分布，圖右為填補后的分布，明顯發生了畸變。因此，如果缺失值是隨機性的，那么用平均值比較適合保證無偏，否則會改變原分布。
Python中的使用： #使用price均值對NA進行填充 df['price'].fillna(df['price'].mean()) df['price'].fillna(df['price'].median()) 復制代碼
熱卡填補（Hot deck imputation）：
熱卡填充法是在完整數據中找到一個與它最相似的對象，然后用這個相似對象的值來進行填充。通常會找到超出一個的相似對象，在所有匹配對象中沒有最好的，而是從中隨機的挑選一個作為填充值。這個問題關鍵是不同的問題可能會選用不同的標準來對相似進行判定，以及如何制定這個判定標準。該方法概念上很簡單，且利用了數據間的關系來進行空值估計，但缺點在于難以定義相似標準，主觀因素較多。
K最近距離鄰法（K-means clustering）
另外一種方法就是利用無監督機器學習的聚類方法。通過K均值的聚類方法將所有樣本進行聚類劃分，然后再通過劃分的種類的均值對各自類中的缺失值進行填補。歸其本質還是通過找相似來填補缺失值。
注：缺失值填補的準確性就要看聚類結果的好壞了，而聚類結果的可變性很大，通常與初始選擇點有關，并且在下圖中可看到單 的差別，因此使用時要慎重。
展開 Python零基礎入門Python數據分析最好的實戰項目
二手房總價：通過箱型圖看到，各大區域房屋總價中位數都都在1000萬以下，且房屋總價離散值較高，西城最高達到了6000萬，說明房屋價格特征不是理想的正太分布。
Size特征分析
f, [ax1,ax2] = plt.subplots(1, 2, figsize=(15, 5))# 建房時間的分布情況sns.distplot(df['Size'], bins=20, ax=ax1, color='r')
sns.kdeplot(df['Size'], shade=True, ax=ax1)# 建房時間和出售價格的關系sns.regplot(x='Size', y='Price', data=df, ax=ax2)
plt.show()
Size 分布： 通過 distplot 和 kdeplot 繪制柱狀圖觀察 Size 特征的分布情況，屬于長尾類型的分布，這說明了有很多面積很大且超出正常范圍的二手房。
Size 與 Price 的關系： 通過 regplot 繪制了 Size 和 Price 之間的散點圖，發現 Size 特征基本與Price呈現線性關系，符合基本常識，面積越大，價格越高。但是有兩組明顯的異常點：1. 面積不到10平米，但是價格超出10000萬；2. 一個點面積超過了1000平米，價格很低，需要查看是什么情況。
df.loc[df['Size']< 10]
經過查看發現這組數據是別墅，出現異常的原因是由于別墅結構比較特殊（無朝向無電梯），字段定義與二手商品房不太一樣導致爬蟲爬取數據錯位。也因別墅類型二手房不在我們的考慮范圍之內，故將其移除再次觀察Size分布和Price關系。
展開 自動駕駛汽車是如何利用高精度地圖和高精度定位來進行“導航”的
目前主流的匹配算法包括概率地圖與NDT（正太分布變換）算法兩種，代表玩家如google、HERE、TomTom。
視覺定位以攝像頭為核心，分為兩種路徑：視覺匹配和視覺里程定位，視覺匹配通過提取圖像中的道路標識、車道線等參照物體與高精度地圖進行匹配，實現精準定位，代表玩家如特斯拉、Mobileye、英偉達。基于視覺里程算法的定位技術以雙目攝像頭為主，通過圖像識別以及前后兩幀圖像之間的特征關系來計算車輛當前的位置，但該方案依賴攝像頭的成像質量，在光線不佳、視線遮擋等環境下定位可靠性有待考量，一般不會單獨使用。
如何利用高精度地圖和高精度定位來進行“導航”
當前自動駕駛導航過程可以簡要分為三個階段：路線級規劃、車道級規劃、自動駕駛控制。路線級規劃通過導航地圖確定具體行駛路線，考慮交通方式、路線距離、交通狀況、途徑地點等，是點到點的粗略規劃。車道級規劃依靠高精度地圖，根據給定的路線確定具體的形式方案，包括車輛起步和停止、速度限制、車道保持與變道、車道坡度等。在自動駕駛控制階段，系統依據具體的行駛方案控制汽車，實現自動駕駛。
具體到自動駕駛的控制，我們可以將自動駕駛流程分為“感知層-決策層-執行層”，高精地圖橫跨“感知層”和“決策層”。在感知層，車輛通過攝像頭、毫米波雷達、激光雷達等設備獲取周圍場景信息，實現周圍感知；將周圍場景信息與高精度地圖進行比對，確定車輛相對位置，并通過GNSS、RTK 定位、慣性導航系統確定自身姿態、速度和絕對位置，共同實現自我感知。感知信息進入決策層，算法將依據高精地圖、車聯網技術提供的多維度信息對具體駕駛問題做出判斷、輸出車輛控制信號并交給執行層執行。
展開 
