01 instagram特別關注有什么用(亞馬遜賣家選品idea從哪來？)

ins特別關注對方知道嗎

不知道。

ins特別關注是單方面的，對方不知道。

Instagram（照片墻，簡稱：ins或IG）是一款運行在移動端上的社交應用，以一種快速、美妙和有趣的方式將你隨時抓拍下的圖片彼此分享。

ins怎么設置特別關注

具體步驟如下如示：

1、打開手機，進入ins這個軟件內，點擊下方的設置，就會看到以下畫面，點擊特別關注好友。

2、點擊之后，就會看到以下畫面，點擊下方搜索按鈕。

3、點擊完之后，旁邊會出現添加，點擊添加就可以關注成功了。

影響變量是什么意思

提取數據并了解結構

install.packages("ggplot2")

install.packages("mice")

install.packages("effects")

library(ggplot2)

library(MASS)

library(mice)

library(data.table)

library(dplyr)

library(effects)

load("~/Documents/R Stats Assignments/brfss2013.RData")

上傳必要的庫并加載數據后，我想查看數據集的一般形狀和結構，以了解維數，每列中的數據類型以及為獲取數據而需要進行的清理以一致的格式進行分析。

> dim(brfss2013)

[1] 491775 330

#check structure of 買粉絲lumns

str(brfss2013$買粉絲lumname)

#check for NA values

sum(is.na(brfss2013$買粉絲lumname))

在查看了提供的代碼本/索引之后 ，我對需要與之交互的列有了很好的了解，并決定專門關注這些列。 其中包括具有以下數據的列：每周進行身體活動的分鐘，每周食用的水果，每周食用的蔬菜，BMI，年收入范圍以及當然的心理健康狀況，這些數據由一個人據稱身體狀況不佳的天數來衡量在一定時期內的心理健康。 由于NA值會混淆分析的準確性并可能導致無響應偏差，因此我在列中尋找NA值，這些值介于數據的4.8％至34％之間。 我認為這些是不可忽略的缺失值，不能簡單地從我的分析中刪除。 對于在缺少34％數據的情況下的數值，我假設僅填寫標準均值或中位數會歪曲我的分析并降低其準確性。 我選擇了一種易于實現且相對準確的插補方法來代替我的NA值。

貝葉斯線性回歸的多重插補

準確估算值的最快方法之一是通過線性回歸算法，該算法嘗試根據預定義的預測變量列表預測潛在值。 使用頻繁方法（常規線性回歸），我們假設自變量之間存在線性關系，另外還假設存在足夠的值來進行準確的預測。 但是，對于這種估算，我選擇了貝葉斯模型，通過這種方法，我們假設響應和預測變量都是隨機的（將估算的不確定性考慮在內），嘗試查找特定事件的概率，并根據先驗概率更新概率。數據并根據這些概率進行預測。 合并先前信息以更新概率的能力使貝葉斯模型在做出預測時更靈活，并且可能更準確，尤其是對于較小的樣本。

多重插補讓我遍歷插補模型n次，根據所使用的預測模型提供不同的可能插補。 通常，這是一個三階段過程，涉及實際估算，用可能的預測替換每個NA，然后分析并匯總所有結果。

brfss2 <- brfss2013[,c('X_bmi5','X_drnkmo4','X_frutsum','X_vegesum','fc60_','pa1min_')]

imp_model <- mice(brfss2,method="norm",m=5)

#fill na function

fillna_fun <- function(data,買粉絲lumns){

df <- setNames(data.frame(rowMeans(squeeze(imp_model$imp[[買粉絲lumns]], bounds = c(0,max(brfss2013[[買粉絲lumns]]))))),"買粉絲l2")

brf <- setNames(data.frame(data[[買粉絲lumns]]),"買粉絲l2")

brf$買粉絲l1 <- rownames(brf)

df$買粉絲l1 <- rownames(df)

setDT(brf)[df,買粉絲l2 :=i.買粉絲l2,on=.(買粉絲l1)]

brf$買粉絲l2

}

brfss2013$pa1min_ <- fillna_fun(brfss2,"pa1min_")

brfss2013$X_bmi5 <- fillna_fun(brfss2,"X_bmi5")

brfss2013$X_drnkmo4 <- fillna_fun(brfss2,"X_drnkmo4")

brfss2013$X_frutsum <- fillna_fun(brfss2,"X_frutsum")

brfss2013$X_vegesum <- fillna_fun(brfss2,"X_vegesum")

通過鏈式方程式（小鼠）進行多元插補可使用貝葉斯線性回歸輕松進行插補。 我選擇縮小適用于具有分析所需數值的列的插補，并將插補運行默認次數-5。

我注意到貝葉斯線性回歸返回了一些估算值的負數，考慮到這些列所測量的數據，這是不可能的。 例如，一個人不可能每周花費-300分鐘進行鍛煉。 為了解決這個問題，我使用了擠壓功能來添加約束，以將預測限制在合理的自定義范圍內。

與小鼠文檔相反，我選擇獲取所有5個估算值的平均值，并用其填充NA值。 我完全理解這不是應該使用機器學習的方式，我錯過了合并合并歸因的基本步驟，并且有人認為我最好選擇一個歸因于平均值的歸因。 盡管如此，我還是采用了該選項以簡化應用程序，并希望收到讀者對該選項的進一步反饋。

我通過使用setDT函數將函數中的向量強制到表中并按索引將向量連接起來來完成函數 ，因為均值插補向量僅具有對應于我原始數據幀中NA值的索引值。

映射

我分析的重要步驟涉及將某些列的數值映射到組和范圍中。 例如，我沒有看到BMI編號，而是想查看特定BMI屬于哪個組/范圍（例如25 =正常）。

brfss2013$in買粉絲e2 <- as.character(brfss2013$in買粉絲e2)

brfss2013$X_bmi5 <- brfss2013$X_bmi5/100

brfss2013$healtheat <- (brfss2013$X_frutsum+brfss2013$X_vegesum)/100

labels <- c('Excellent','Good','Ok','Bad','Very Bad')

breaks <- c(0,5,10,15,25,10000)

bmiLabs <- c('10','20','30','40','50','60','>60')

bmiBreaks <-c(0,10,20,30,40,50,60,10000)

activLabs <-c('0-200','200-500','500-1000','1000-2000','2000-4000','4000-10000','>10000')

activBreaks <-c(0,200,500,1000,2000,4000,10000,100000)

brfss2013 <- brfss2013 %>%

mutate(mentalHealth = cut(menthlth,breaks=breaks,labels=labels,include.lowest=TRUE)) %>%

mutate(bmiLev = cut(X_bmi5, breaks=bmiBreaks,labels=bmiLabs,include.lowest = TRUE)) %>%

mutate(physLev = cut(pa1min_, breaks=activBreaks,labels=activLabs,include.lowest = TRUE)) %>%

mutate(in買粉絲eLev = case_when(grepl("15|20",in買粉絲e2)~"0-$20k",

grepl("25|35",in買粉絲e2)~"25-$35k",

grepl("50",in買粉絲e2)~"35-$50k",

in買粉絲e2 %in% "Less than $75,000" ~ "50-$75k",

grepl("more",in買粉絲e2)~">$75k"

))

由于cut旨在采用數值矢量并將其根據自定義斷點集將其拆分為bin，因此我決定使用cut函數 ，定義中斷和標簽以根據標簽定義映射數據。 對于收入水平列，我將值轉換為字符以使我能夠使用grepl 。 這是一種模式匹配功能，我通過查找與用于標識每一行收入范圍的自定義單詞匹配的關鍵字來創建收入范圍。

需要注意的重要一點是，我對心理健康作了一些假設。 我假設某個人在給定時期內僅報告過0至5次心理健康問題，則被歸類為處于良好的心理健康狀態，具有5至10的健康狀況，10至15的正常，15至25的不良狀況以及任何超出那非常糟糕。 這是基于觀察數據并找

很赞哦!（56）