权重赋值之“主成分分析法”

主成分分析法可以客观地确定指标权重。

分量矩阵显示了原始变量在每个主分量上的载荷，即相关性。
系数=载荷次数/相应特征根的平方根。
例如，载荷数为0.9 3 3 ，特征根为4 .6 8 0，系数约为0.4 3 1
综合系数=（系数方差百分比）加权和/累积方差百分比。
以第4 题为例，综合系数约为0.2 1 1
权重=综合系数/所有综合系数之和。
以问题4 为例，权重约为0.1 01
自己掂量一下。

不用递归迭代法计算ema,用其他方法计算

说白了，计算EMA其实非常简单。
直接用公式就可以了。
不要被“递归”这个词吓倒。

我们先来说说最重要的事情。
在基本公式方法中，权重是关键，计算非常简单——权重=2 ÷（循环数+1 ）。
例如，计算1 0日EMA时，权重为2 ÷1 1 ≈0.1 8 1 8 这个数字决定了今天的价格与昨天的 EMA 的比率。
还有一点是初值处理很常见。
第一天没有昨天的EMA，直接以当天的收盘价作为初始值。
说实话，这很混乱，很多人很容易混淆。
还有另一个关键细节。
比如我们去年跑的项目，3 000级的数据，使用非递归迭代的方法效率要高很多。
计算直接在Python 中的循环中执行。
每天，前一天的 EMA 和当天的收盘价用于计算新的 EMA。
结果存储在列表中，代码量并不多。

一开始我以为EMA会涉及到一些复杂的链式计算，但后来我发现我错了。
这只是一个加权平均扭曲，使用昨天的 EMA 作为历史权重。
等等，还有一件事。
重量实际上是动态消失的。
价格越远，重量越低。
很多人不注意这一点。

建议尝试非递归迭代方法。
代码量小且直观，但要注意不要弄错初始值。

权重的计算方法 如何计算权重

嗨，说到重量计算，这是一个非常有趣的话题。
我在做数据分析的时候，经常要处理这些事情。

说实话，权重的计算其实很简单。
只需将您想要分析的值（例如销售额和用户数量）乘以相应的权重，然后将这些产品相加即可得到总价值。
该总值除以单位总数即可获得加权平均值。

比如我之前的公司做市场分析，我们会根据不同渠道的销量来计算权重。
例如，线上渠道销量为1 00万，则权重为0.6 ；线下渠道销量为5 0万，权重为0.4 那么加权平均销量就是（1 00万0.6 +5 0万0.4 ）/（0.6 +0.4 ）=6 0万。

有趣的是，权重的值实际上是加权平均值的值。
大小不仅取决于总体中每个单元的数值，还取决于这些值出现的次数，即频率。
简而言之，一个值出现的次数越多，其平均影响力就越大。

例如，如果某个产品卖得好，销量高，那么在计算加权平均时，销售额所占的比例就会更大。
就像在一个班级里，如果你考了两次，得到了1 00分，那么平均分就会比只考了一次却得到了9 0分的人高。

说白了，权重就像给每个值加上一个“重要性”标签。
该标签决定了每个值对最终结果的影响。
因此，权重计算在数据分析中仍然非常重要。
它可以帮助我们更准确地理解和分析数据。

但是我不得不承认，有时候记住的数据在X左右，但是我建议你检查一下，因为具体的应用场景和计算方法可能会有所不同。