1.几款常用的指指标ble调试app（nRF Connect、BLE调试助手、标源LightBlue）
2.DB2 V9权威指南目录
3.点击率是源码怎么搞出来的？(c#)
4.销售管道（Sales Pipeline）与营销数字化转型
5.MySQL每小时统计数据监测数据库健康状态mysql一天每个小时
6.如何用stata画图

几款常用的ble调试app（nRF Connect、BLE调试助手、指指标LightBlue）

       探索蓝牙低功耗设备调试神器：nRF Connect、标源BLE调试助手与LightBlue

       在蓝牙低功耗（BLE）的源码外贸行业网站源码世界里，选择一款得心应手的指指标调试工具至关重要。今天，标源我们将深入解析Nordic官方出品的源码nRF Connect、南京沁恒开发的指指标BLE调试助手，以及备受iOS用户喜爱的标源LightBlue，看看它们是源码如何助你轻松掌握BLE设备调试的。

nRF Connect：官方首选，指指标功能强大

       作为Nordic官方推出的标源调试应用，nRF Connect以其广泛的源码用户基础和实用功能脱颖而出。首先，打开应用，通过扫描功能轻松定位周围的蓝牙设备，智能过滤功能让搜索更为精准。通过清晰的RSSI指标，你能够实时观察设备间的信号强度变化。

       连接目标设备，只需点击“CONNECT”按钮，如以BLE-UART为例，你会看到设备支持的四个服务，其中前三个是蓝牙联盟定义的，而自定义服务则标记为Unknown Service。深入服务内部，自定义服务下有三个特征，如ff、ff，尽管属于未知特性，但0x则是蓝牙标准定义的Client Characteristic Configuration。

       特征的读写操作是BLE通信的核心，ff仅支持写入，而LightBlue和BLE调试助手的特性管理界面直观易懂，让你轻松操作。

BLE调试助手：易用且全面

       南京沁恒的BLE调试助手以其用户友好的界面和从机模式备受好评。从机模式只需简单切换，扫描、连接、PHP 书店 源码服务查看与特征操作与nRF Connect相似，但更加贴近用户需求。MTU的修改功能同样强大，助力数据传输效率提升。

LightBlue：iOS上的视觉盛宴

       LightBlue在iOS平台上独树一帜，尽管也有安卓版本，但其设计风格与前两者迥异。扫描和连接过程直观流畅，设备状态和广播数据一目了然。服务和特征的展示层次分明，便于理解和操作。同样具备MTU修改功能，为iOS用户带来无缝体验。

总结与推荐

       以上三款调试工具各有千秋，nRF Connect和BLE调试助手凭借官方支持和全面功能适合常规调试，而LightBlue则以其出色的iOS界面设计吸引着用户。根据你的设备和使用场景，选择最适合的工具，蓝牙低功耗设备的调试之旅将更加顺畅。

DB2 V9权威指南目录

       DB2 V9权威指南目录精简版

第1章DB2 V9简介

       1.1 DB2版本1

       1.2 DB2客户端

       1.3 DB2扩展器（Extender）

       1.4 DB2 Connect

第2章新特性和重大变更

       2.1 DB2 V9.1变更

       2.1.1-: 新功能和改进

       2.2- 其他功能增强

第3章基础架构

       3.1 基本架构

       3.2 管理服务器

       3.3 配置参数

第4章实例和数据库

       4.1 实例管理

       4.2 数据库设置

数据管理与安全

       7.4 权限（Authority）

       7.5 特权（privilege）

       8.0 客户端注册

       9.0 数据备份恢复

       .0 在线备份还原

       .0 非/增量重定向还原

       .0 并发性管理

       .3 数据装载选项

       .4 DB2MOVE

其他辅助工具

       .0 Visual Explain

       .0 配置顾问程序

       .0 SQL介绍

       .0 pureXML

       .0 统计信息与重组

       .0 联邦功能

操作与监控

       .0 DB2 V9.5复制功能

       .0 WebSphere Eclipse Platform

       .0 快照监控器

       .0 事件监控器

性能指标

       涉及运行状况指示器，如日志文件系统、死锁率等，详情见-

附录

       . 参考资料A

       . 参考资料B

点击率是怎么搞出来的？(c#)

       让我们先来分析一下一个用户是怎样被吸引到网站上的。

       一般来说，客户都要经历这样的过程：从开始上网时乱逛式的点击(click/pageview)，到被内容留住(stickiness)，再到被专业性、个人化的定制服务所吸引，注册成为某网站的忠实客户(loyalty)，最后被专业的个人化的服务所打动而开始支付(payment)，这就是一个客户对网站的需求，它也驱动着网站服务升级。对客户来说，他付出了：上网时间与精力；费用——包括上网电话费和网络使用费、网上购买支付的费用；隐私——为了让别人更好地为你服务，就得牺牲一部分隐私，笔者所付出的代价就是每天都会接到二、三十封商业垃圾邮件。

       一个网站得到的是：1.费用方面。获得高点击率后就可以收取一部分广告收入，wp整站源码当然你的内容粘性越大，广告收入越高；ISP接入的费用，也就是用户在你的网上消费的时长；信息分成费用比如中公网上的游戏，能与进行费用分成；电子商务支付的费用，包括买商品、专业数据库查询、炒股服务等等；2.资产方面。对商业网站来说更重要的是获得信息资产，包括——无形资产，如网站知名度，特别是门户网站，用点击率、点击率加客户停留时间来测量；客户资料价值，客户注册后，你可以获得客户资料，分析客户的需求，进行定制性服务，让客户更满意；信息资料集成，网络开设后逐步累积的各类信息资料并相应汇聚成了各种分类数据库；可扩展的技术支持平台，在与客户的互动中日臻完善形成网站独特的可扩展的技术平台，并可随着市场与客户需求的变化而在这一平台上不断增加内容与服务手段、成熟和具有扩展性的品牌形象、组织结构和工作流程。

       以客户分析入手总结一个网站的收入流是投资银行较常用的手段，主要包括以下指标：1.页面访问次数(pageview)——点击率；2.停留时间——粘性；3.回访率——忠诚度；4.支付。这是网站的未来收入和资产定价的基本标准。高盛公司最早评价门户网站的模型就是所谓市值比访问量模型(Steve Harmon)，从而计算出Yahoo!每个客户价值为美金，通过这个相对指标大致可以估算每一个客户的价值，再根据客户增长的速度反过来推算网站的市场价值；随着网站内容的丰富，特别是Internet在近3年内由信息搜索发展到虚拟社区使得内容的粘性日渐变成评价指标，于是衡量网站价值的模型= 页面访问量＊停留时间，高盛以此为依据认为AOL的客户价值超过Yahoo!。年以来电子商务的快速发展使得注册客户量越发显著——即客户忠诚度和客户信息对于销售者有着重要的意义。Yahoo!从单一门户到提供大量个性化服务而获得注册客户的显著增长，从而获得了巨额的中介收入而演变为电子商务的门户，成功的转型是它高股价的业绩来源，同时也从某种角度证明：注册客户成为更具有价值的群体，因此第一种评估方法有被改进为市场价值/注册客户价值，通过对注册用户增长率进行分析(Subscriber growth)，inno源码解析而且把注册客户带来的无形收益进行统计(per user statistic)——客户的支付率和支付能力，常用的指标是市价/销售额(Price/Sales rate) 模型。

       商业网站评估还有一个不可忽视的内容就是对未来的预期分析。众所周知，如果网络公司不是代表了未来的商业模式，类似Amazon这样连续5、6年都亏损的公司，估价可能只有5美元，而不是现在的美元，可从数学分析角度就很难估价未来预期。但相对指标对描述客户价值是非常有益的，而且对寻求上市的网站公司的价值评估也起到重要的作用。按照目前我国的上市公司数据披露原则，利用收益/现金流贴现来评估网络公司价值将成为最重要的方法，所以在具体运用中就必须要把预期商业平台的扩展纳入到评估体系里，必须要考察网站平台的扩展性和独特性。

       市场/客户的需求一步一步地驱动着网站向成熟商业模式发展，同时网站本身又有着自己为满足需求进行的供给性驱动，两者的合力共同推动着互联网站服务的变化。

       网络技术和商业运营平台的价值

       互联网领域中许多网站的建立是根据不同资源推动建立的，大致可分为两大类型：早期的公司主要是以技术作为驱动的，创始人都是计算机或通讯技术等方面的人才或爱好者，由自娱自乐到创造出有特色的网络服务模式，杨致远与Yahoo!、丁磊与Netease都是典型代表，在市场利益的推动下从网络的技术平台转向网络的商业平台；另一种则是从纯粹的商业模式出发，往往与大量的风险资本和商业合作伙伴相关联构成新的网络公司，如Amazon、eBay，中国的 sohu、等。年代中后期以前主要是技术推动为主，随着资本市场对网络认可度的加强，商业模式是最主要的网络公司的驱动因素，技术推动的公司也逐步转向了以商业模式驱动的公司，商业运行平台的作用越来越重要。由此就不得不深入研究网络公司价值驱动的重要因素——技术和与之配合的商业运作平台的拓展性(Scalability)。

       技术平台应该包含：接入技术——包括接入途径的多样化、接入设备的多样化和接入速度的快速性；内容技术——由于接入技术的迅猛发展，网站开发的游戏加速 源码内容技术也就将从以文本为主的内容开发模式转向内容的多媒体；软件技术——主要是软件跨越多种硬件平台的技术，要求有比较好的适应性，如现有的JAVA编程软件等；安全技术——电子商务的核心是安全，包括自己网站本身的安全、数据库的安全、支付安全等；应用技术——如个人通讯和交互能力等；数据库技术——支撑个性化和极大化扩展的能力，以及潜在的技术创新和模仿能力。

       网络虚拟商业运营平台应该包含：网站前景和战略；现有规模和未来规模扩展性，包括横向和纵向平台的扩展性；商务模式风格，比如，是选择媒体的商业运作还是选择电子商务，电子商务中选择B TO C还是B TO B等；网络品牌的递延能力和品牌策略；营销能力，包括营销战略、市场推广、配销体系和渠道管理，库存和内部形成的价值链；财务和融资能力；吸收和创造价值的能力；独特的战略资源和广泛的战略联盟关系；等等。

       中国网络技术平台的价值=技术的应用能力＋技术变革的适应能力。完全的技术创新能力可能对中国是不完全适合的，如在中国窄带的既定条件下过分追求多媒体技术，就会影响技术的应用空间。在中国不是越领先的技术就是最好的，而是最实用的技术可能是最佳的，因此技术创造出的价值最高的评价标准是：网民受众量，包括潜在的网民，如移动电话和呼机用户本不是互联网的网民，通过WAP技术和双向寻呼技术，有可能一下子使他们成为网民，如果一项技术能创造出最好的性能价格比使得网民受益或通过一项技术扩大了潜在的网民，都是非常有价值的技术。

       网络商业虚拟平台比传统的商业运作平台更具有扩展性，Amazon从卖书到CD，再到玩具等等，其扩展速度比真实商业扩展的速度快、地域广，甚至连中国的客户都到Amazon上直接买书，这种生长力度是传统商业不可比拟的，但是网站商业平台要符合现有的一系列外在环境，也要符合传统商业的规矩——即外在的商业环境、品牌的递延性、加入新商业业务单元的成本收益等，也就是说平台扩展是有其客观局限性的，所以笔者认为不管当前网络公司经营的方式方法是怎样的，未来向专业化转变的趋势是不可避免的。另外，网络的商业平台必须和现实的商业平台相配合才能实现，传统商业平台是靠传统因素相砌而成的，现在也不可能完全虚拟，网站实际上是混合的商业模式——即现代和传统的混合才有可能比较成功。光有信息的虚拟商业平台是完成不了消费者支付的，Amazon作为世界级电子商务的领头羊仍然需要传统的“仓库”，不管概念怎样领先也需要建设好配送系统，因此中国的商业平台可能是：“信息(包含客户价值等)＋虚拟商业扩展＋传统因素”才能实现。

       必须指出的是，中文网络商业平台中还需要包含对新知识内涵的尊重——也就是对“知本”要素的重新诠释。在现时代中国公司法律框架下，如何确定内部组织中人力资本股权和相应的知识与商誉股权以及保护出资人利益，都会影响着中国网络公司的创新能力。Internet网络实质上是以知识为核心竞争力的创新性企业，如果没有知识创新的组织模式，则核心竞争力也就没有了。

       高盛公司的门户网站分析报告中指出成功网站必须具有6c要素：即连接性(connect)、导航(context)、内容性(content)、商务(commerce)、通信(communication)、社区性(community)；现在又提出转向新6C，即方便性(convenience)、聚合性(convengence)、整合(consolidation)、竞争性 (competition)、合作性(cooperation)和客户关系(customer relationships)。高盛的研究也突出强调了客户和技术平台的问题，而在新6C中更多地引进了技术变革性含义，如接入和接入设备的多样性，但更重要的是引入了商业规则，如客户关系、合作性和竞争性。这一点笔者更欣赏约翰·哈格尔三世在其《网络价值》中对分析模型的分解性的研究，从而能细致地评价一个网络公司的价值和其已具有的和潜在的竞争优势。有学者把其归纳为下图：

       投资的目的是为了盈利——投资Internet也同样就是让网络公司能获得更快的发展机会，如果网络公司始终达到不了利润增长预期，其结果就会是“泡沫破灭”。所以网络的心理预期可以说是生死攸关。笔者以为一个好的网络公司必须具备四大预期要素

       ★ 扩大网络服务客户的能力

       ★ 从单一的服务项目领导地位变为行业的领袖，以至有可能是自己的网络商业平台和模式标准成为公认的典范，具有可持续发展能力

       ★ 具有快速容纳各类商业模式的能力，使网络上商业平台虚拟扩展能力具有韧性、弹性与可塑性

       ★ 有明显增长的现金流和利润指标预期

       美国的莫斯管理咨询公司的研究认为，在线服务的企业价值基本上由客户群以及市场营销资产(占％到％)、数据软件和其他知识产权资产(占％到％)、其他有形资产(占％到％)等3大部分组成。

       笔者以为，虽然客户群概念很重要，但其与市场营销资产的比重明显过高，网络公司不仅要增加资产，更要找到盈利的道路——即所谓的商业模式，所以必须加上商业模式，还有知识创新能力。

       商业模式左右资本价格

       从投资者角度来说，对高速增长的、在一个市场中占主导或引导地位的公司必然会表现出热情。在美国，投资者所青睐的，如Yahoo、AOL、eBay、 Amazon等，都是在一个战略性的、高速增长的市场里占有主导性地位的公司，而且这些公司成长得很快。能够在快速增长的市场中占领先地位，有很好的、有经验的管理团队，有可行的、具有说服力的商业模式，一般说都将受到投资者的青睐。

       目前中文互联网公司的商业模型大都拷贝自美国，实际上成功的商业模式会是各种各样的。但不管是哪种商业模型，成本/利润概念与投资效益分析，取得一个用户需要多少成本，为这个用户服务要花多少成本，用户在使用服务的生命周期里能为公司带来多少收益，这些都是不可忽视的问题。以电子商务为例，据信息产业部透露的一些最新数字：国内电子商务网站已发展至多个；年总交易额达2亿元，较年增幅达一倍以上；预计近两年将进入快速增长期，预测 年底电子商务交易额将达8亿元，而到年有望达到亿元。这样快速发展的势头完全可以探索具有中国特色的服务模式。

       即使在美国，当前投资者对网络公司的态度与前些年也有了明显的变化，突出表现在对长时间亏损的看法上，至少是区别对待的。具体而言，对于B2B模型的网络公司，投资者关注的是有没有一个有说服力、能成功的商业模型，如果能在短期或中期执行商业计划，投资者会容忍暂时的亏损；而像yahoo、eBay这样处于相对成熟的市场，有相对成熟的商业模型、一流管理团队的网络公司，投资者就会比较注重盈利。对于一直领导B2C模式的商务先锋Amazon公司，从去年底的种种变化分析，投资者正在慢慢失去耐心，因为在市场日益成熟、商业模型清楚的情况下，公司仍然不断地亏损，且亏损数额正在不断增大，已使投资者对其产生利润的信心越来越低了。

       如果从资本市场角度分析，互联网题材的实际深度和广度不但远远超越以往，而且也完全突破了行业和生产方式的局限，达到了一个更高的境界。网络股作为一种题材由兴盛至衰败的轮回周期决非三年五载就会宣告结束的，从这个意义上讲，资本市场中的网络概念受青睐的程度将在未来相当长的一段时间保持较快的上升势头，网络股具有被市场接受和认同更宽阔的市盈率弹性区间。通常而言，传统行业的市盈率震荡区为5－倍；而传统高科技公司股价的市盈率震荡区间为－ 倍；网络股较传统高科技公司具有更广阔的市盈率区间早作为国际资本市场的一种共识，因而以市盈率指标来简单判断网络股的炒作显然是不合适的。

       在年，国内的网络股主要指有线电视网络为主，而年后网络股已明显向互联网转向，显然是受到境外上市的刺激，特别是China.com的上市成功，以及大量的国际风险投资进军中国，增添了人们对网络公司的想象力。中国控股网络公司是符合中国A股市场规则的，因为中国股票市场是主板市场，其主要特征是按收益来评判股票的股价，而二板市场则主要以活跃度评价股票。中国上市公司通过出资控股网络后，可以促进网络公司成长，如再能到境外融资和上市，上市公司还可以获得丰厚的资产回报。这样上市公司既可以保证上市公司自身业绩，同时为未来获得收益打下了基础。主板市场永远是按业绩评价公司的，不可能完全靠概念，而现有的中国网络公司基本上盈利能力不好，现正处于需要投资的时期，核心是提高客户群价值、虚拟商业平台的价值和与传统配送、支付等商业环境互动，从而获得资产增值。

       当前阶段笔者认为境外投资者最为看重的是网站的商业模式，或者独特的资源——如中国概念，中华网的新华社；本地化的忠实客户群体；本地化的配送体系；网站技术和商业运营平台扩展性等。因此我们在衡量一个网站时，要以国际投行的角度来评价，在国内，投资人的眼光评价控股网络公司的上市公司一定仍是“业绩＋概念”，网络公司在未来可能会得到资产性收益，但当前不能获得收益，而且可能需要上市公司继续不断的投资。但因上市公司对其控股的网络公司投入过度，导致上市公司收益严重下降，这就非常危险了。控股网络公司的上市公司未来从网络公司中获得的主要收入是投资溢价，从而提高上市公司的资产净

       

参考资料：

= ustrlen(zipcode) 

       //生成中文字符串长度

       edit fips

       gen fips2 = substr(fips, 1,2)

       edit fips2

       gen fips3 = substr(fips, 3,3)

       edit fips2 fips3

       destring fips2, replace force

       destring fips3, replace force

       //字符变数值

       tostring fips2 fips3, replace force

       //数值变字符

       edit fips2 fips3

       replace fips2="0"+fips2 if length(fips2)==1

       replace fips3="0"+fips3 if length(fips3)==2

       replace fips3=""+fips3 if length(fips3)==1

       //前面用零补齐，补成五位

       help duplicates

       //重复观测值

       sort newid

       duplicates report newid year

       //报告重复观测值

       //copies代表这个数据一共有多少个 =1就代表没有重复 第只有一个观测值newid

       duplicates tag newid year, gen(dup)

       //标注重复观测值

       tab dup

       //展示

       edit new year if dup>=

       duplicates drop newid year, force

       //去掉重复样本//两个都一样才丢掉

       duplicates report newid year

       ssc install unique

       //安装unique

       unique newid year 

       //展示有几个是唯一的

       unique fips

       use nei_sample.dta, clear

       help collapse

       //压缩

       collapse (sum) so2 co nox nh3 voc (first) facilityname_origin fips  zipcode , by(newid year)

       //根据newid year重复的字符串变量 （first）后面的三个只取第一个数据 数值变量so2等等。。加总（sum） 没涉及的变量就丢掉了

       duplicates report newid year

       collapse (sum) so2 co nox nh3 voc (count) newid, by(fips year)

       //关于fips year 加总。数出newid（在fips year全都相同的情况下有几个newid（企业））

       //每个地区每一年污染物的多少，企业有多少

       gen id = newid

       //replace

       //改变面板数据的结构

       use nei_sample.dta, clear

       help reshape

       keep newid year so2

       duplicates drop newid year, force

       reshape wide so2 , i(newid) j(year)

       reshape long so2 co nox voc nh3, i(newid) j(time)

       //将宽表和长表相互转换

       keep newid year co

       reshape wide co,i(newid) j(year)

       duplicates drop newid year,force

       reshape wide co,i(newid) j(year)

       reshape long co,i(newid) j(year)//观测值变成了*，转换两次之后，数据变成

       *balanced data（平衡面板数据）了 也是为了便于做可视化分析，计量分析

//lecture 7

       cd /Victor/stata

       use "nei_sample.dta",clear

       keep newid year so2

       //保留这三个

       help reshape

       //数据重排

       duplicates drop newid year, force

       reshape wide so2 , i(newid) j(year)

       //不同问题下i不同 这里的i是企业 j是时间

       reshape long so2 co nox voc nh3, i(newid) j(time)

       //reshape//long wide lecture7

       use "nei_sample.dta",clear

       keep newid year so2 co nox voc nh3 sic

       duplicates drop newid  year, force

       reshape wide so2 co nox voc nh3, i(newid sic) j(year)

       keep newid year so2 co nox voc nh3 sic

       reshape wide so2 co nox voc nh3, i(newid sic) j(year)

       //数据变少了是因为有的newid对应多个sic

       reshape long so2 co nox voc nh3, i(newid sic) j(year) 

       //通过这种方式将它强行变成平衡面板 先wide 后long（意义重大）

       use nei_sample,clear

       keep so2 co nox voc nh3 newid year

       duplicates drop newid year,force

       reshape wide so2 co nox voc nh3,i(newid) j(year)

       reshape long so2 co nox voc nh3,i(newid) j(time)//三千多个变成了一万多个

       *reshape之后每一个企业都在每一年——有观测值，强行将数据变为balanced

       ren  (so2 co nh3 nox voc) (pol1 pol2 pol3 pol4 pol5)

       //更改变量名 为了保证前缀都一样 才能转换

       *sample

       rename so2 pu1

       rename co pu2

       rename nox pu3

       rename voc pu4

       rename nh3 pu5

       reshape long pu,i(newid time) j(type)

       tostring type,replace

       replace type="so2" if type=="1"

       replace type="co" if type=="2"

       replace type="nox" if type=="3"

       replace type="voc" if type=="4"

       replace type="nh3" if type=="5"

       keep newid year pol1 pol2 pol3 pol4 pol5

       reshape long pol, i(newid year) j(type)

       // 没有drop

       tostring type, replace force

       //

       replace type = "so2" if type == 1

       //替代污染物名称

       use "nei_sample.dta",clear

       duplicates drop newid year, force

       //去掉重复值

       edit newid year so2

       sort newid year

       by newid: gen l1so2 = so2[_n-1]

       //so2[1] so2[_N] n-1代表上一行的观测值 通过企业来分 每个n对于企业来说是不一样的

       by newid: gen l2so2 = so2[_n-2]

       //上两行 

       by newid: gen l0so2 = so2[_n]

       by newid: gen f1so2 = so2[_n+1]

       //滞后一期

       bys newid: gen Nso2 = so2[_N]

       //展示这个企业最后一年的数据

       bys newid: gen n1so2 = so2[1]

       //有时需要保证它是一个平衡面板：可利用以下命令

       xtset newid year 

       //set panel variable 让他成为面板数据 如果不告诉它 它永远按上一行处理

       gen lso2 = l.so2

       //l.代表上一期的滞后变量（上一年）这个和上一行的数据不一样喔 有时可能上一行不是上一年 就没有上一期了

       use "nei_sample.dta",clear

       duplicates drop newid year, force

       edit fips year newid

       sort fips year newid

       by fips year: egen id_sum = count(newid)

       //通过fips year来分 如果两个都相同就算一次

       edit fips year newid so2

       by fips year: egen so2_fips = sum(so2) 

       //missing values

       //得到地区层面的数据 用于变量的构造  通过微观数据做加总数据又保留微观数据本身

       //

       use "nei_sample.dta",clear

       help collapse

       collapse (sum) so2 co nox nh3 voc (first) facilityname_origin fips zipcode , by(newid year)

       //构造更高层面的行业数据 微观数据全部损失了. 加总相同年份的污染量，（first）后面的是只保留第一行

       duplicates report newid year

       collapse (sum) so2 co nox nh3 voc (count) newid, by(fips year)

       gen id = newid

       //replace

       //collapse by 2_digit sic and fips_stata (2_dight fips), and year,

       use "nei_sample.dta",clear

       gen fips3 = substr(fips,1,2)

       gen sic2 = substr(sic,1,2)

       collapse (sum) so2 co nox nh3 voc ,by( fips3 sic2 year)

//lecture 8

       //图形的组成

       sysuse uslifeexp2

       decribe

       scatter le year

       //第一个是y 第二个是xè½´

       //connect(l) 表示以直线的方式连接相邻的两个点

       //msymbol(i) 表示散点的显示方式为“看不见”

       scatter le year, connect(l)

       scatter le year, connect(l) msymbol(i)

       scatter le year, connect(l) msymbol(smdiamond) 

       //散点形状改为棱形

       scatter le year, connect(l) msymbol(smdiamond) mcolor(lime)

       //标记间连线的方式，标记本身的形状，标记的颜色

       help marker_options

       //标记标签的选择

       graph query symbolstyle

       help marker_label_options

       sysuse lifeexp.dta, clear

       describe

       list country lexp gnppc if region == 2

       scatter lexp gnppc if region == 2, mlabel(country)

       scatter lexp gnppc if region == 2, mlabel(country) mlabpos(9)

       //将标签调整到九点钟方向 这样美国就可以显示出来了

       //下面尝试利用 mlabvposition(varname) 选项为某些特殊选项的观测值设定标签的位置 为了单独为美国和洪都拉斯设定标签显示方向，

       //需要生成一个指标方向的变量，命名为破碎，然后利用这个变量对每个案例的不同附值来调整各个散点的标签位置

       generate pos = 3

       //所有国家都是3

       replace pos = if country == "Honduras"

       replace pos = 9 if country == "United States"

       scatter lexp gnppc if region == 2, mlabel(country) mlabv(pos)

       //下面尝试利用改变坐标轴的覆盖范围来设定标签

       //方法一：利用xscale(range())指定作图的区域

       scatter lexp gnppc if region ==2,mlabel(country) mlabv(pos) xscale(range(- ))

       //方法二：利用plotregion（ margin())来解决作图区域的微小变动

       scatter lexp gnppc if region == 2,mlabel(country) mlabv(pos) plotregion(margin(l+9))

       sysuse autornd, clear

       descrbe

       scatter mpg weight

       scatter mpg weight, jitter(7)

       //由于数据点太密集了，产生重叠，需要将数据点轻微地挪动位置，jitter（#）震荡选项

       //二维绘图选项，help twoway

       //标题选项，坐标，图例，增加线，by

       sysuse lifeexp.dta, clear

       scatter lexp gnppc

       gen log_gnppc = log(gnppc)

       //对数化，更线性

       scatter lexp log_gnppc

       //另一种方法：

       scatter lexp gnppc, xscale(log)

       //做散点图，并对比y轴刻度使用正常尺度与逆向尺度的异同

       sysuse auto.dta, clear

       scatter mpg weight

       scatter mpg weight, yscale(rev)

       //车重与油耗正相关

       //下面绘制完全没有任何坐标的散点图和有坐标刻度但没有坐标线的散点图

       scatter mpg weight, yscale(off)

       //不要yè½´

       scatter mpg weight, yscale(noline) xscale(noline)

       //去掉了坐标线，保留刻度

       help axis_label_options

       sysuse auto, clear

       describe

       sum

       //下面分别绘值mpg、weight的标有大约坐标轴上5个个刻度标识的mpg和weight散点图

       scatter mpg weight

       scatter mpg weight, ylabel(#5) xlabel(#5)

       scatter mpg weight, ylabel(#) xlabel(#)

       scatter mpg weight, ylabel((5)) xlabel( ())

       //自定义规则

       scatter mpg weight, ytick(#) xtick(#)

       //绘制x轴大约有个刻度，y大约个刻度

       scatter mpg weight, ymlabel(##5) xmtick(##)

       //把小刻度的标识也标上去，x轴主刻度之间有个小刻度

       scatter mpg weight , ymlabel(##5) xmlabel(##)

       //时间序列散点图时的轴线刻度标识问题

       sysuse uslifeexp, clear

       scatter le year, c(l)

       scatter le year, c(l) xlabel(#,grid)

       //网格,用线连

       scatter le year, c(l) xlabel((),grid)

       scatter le year, c(l) xlabel( (),nogrid)

       scatter le year, lcolor(yellow) c(l) xlabel( (),nogrid)

       line le year, lcolor(navy) lpattern(dot)

       sysuse uslifeexp, clear

       scatter le year, c(l) xlabel( (),grid) legend(on)

       label var le_male "男人，人均寿命"

       scatter le_male le_female year, legend(label(1 "Male") label(2 "Female"))

       //绘制散点图并添加图例，将图例分别改为”male”和”female“

       scatter le_male le_female year, c(l) legend(on)

       //legend是图例

netconnect是什么线？

       NETONNECT CATEGRY 6e是超六类网线。CABLE 4pr/AWG是有4对线，共8根，每根是美国线规AWG。其最终的指标达到MHz带宽传输速度。

       awg是AWG（American wire gauge）美国线规，是一种区分导线直径的标准，AWG直径（0.英寸）直径（.0毫米）面积（0.密尔）面积（0.平方毫米）重量（1.千克/千米）。

       大部分的超6类布线与同品牌的6类布线使用相同的模块和跳线，因此它们主要的区别在线缆上。IBDN的超6类线缆LX从一开始的目标就定在较高温度下正常运行，因此其线缆构造特点之一就是大线径，传输导体的直径从普通6类的0.5mm(AWG)增加到0.6mm(AWG)。

       也有某些厂家在开始的超6类线缆采用了AWG而尽力改善NEXT的方法，但到年的改进线缆中将其线径加到AWG。

扩展资料：

       双绞线类别：

       一、欧姆屏蔽电缆

       1、5类4对AWG 欧

       2、5类4对AWG 屏蔽软线

       二、欧姆非屏蔽电缆

       1、6类4对AWG的UTP或SCTP

       2、超5类4对AWG非屏蔽电缆

       3、5类：4对AWG、4对AWG非屏蔽软线、对AWG非屏蔽软线、

       4、4类：4对AWG非屏蔽线、对AWG非屏蔽线

       5、3类：4对AWG非屏蔽线、对AWG非屏蔽线

       百度百科-超六类网线

       百度百科-AWG（美国线规）