这是使用字典创建DataFrame，key将作为表头

因为在fit()函数不能接收string类型的数据，通过打印的信息可以看到，数据都是string类型的。在使用fit()函数之前，我们需要对数据集进行编码，这里可以使用两种方法：

为了对string类型的数据序列化，需要先生成pandas数据，这样方便我们的序列化工作。这里我使用的方法是，原始数据->字典->pandas数据

函数将一个数据集合（链表，元组等）中的所有数据进行下列操作：用传给 reduce 中的函数 function（有两个参数）先对集合中的第 1、2 个元素进行操作，得到的结果再与第三个数据用 function 函数运算，最后得到一个结果。

利用贝叶斯分类器对文档进行分类时，要计算多个概率的乘积以获得文档属于某个类别的概率，即计算p(w0|1)p(w1|1)p(w2|1)。如果其中有一个概率值为0，那么最后的成绩也为0。

从上图可以看出，在计算的时候已经出现了概率为0的情况。如果新实例文本，包含这种概率为0的分词，那么最终的文本属于某个类别的概率也就是0了。显然，这样是不合理的，为了降低这种影响，可以将所有词的出现数初始化为1，并将分母初始化为2。这种做法就叫做拉普拉斯平滑(Laplace Smoothing)又被称为加1平滑，是比较常用的平滑方法，它就是为了解决0概率问题。

除此之外，另外一个遇到的问题就是下溢出，这是由于太多很小的数相乘造成的。学过数学的人都知道，两个小数相乘，越乘越小，这样就造成了下溢出。在程序中，在相应小数位置进行四舍五入，计算结果可能就变成0了。为了解决这个问题，对乘积结果取自然对数。通过求对数可以避免下溢出或者浮点数舍入导致的错误。同时，采用自然对数进行处理不会有任何损失。下图给出函数f(x)和ln(f(x))的曲线。

没有进行拉普拉斯平滑和下溢出操作之前

进行了拉普拉斯平滑和取对数防止下溢出操作后的

len(i)>2]，因为每个字符串的长度都小于2，自然返回空集 把正则表达式改为r‘W+’就好啦

生成的returnVec长度与vocabList长度相同，遍历inputSet中的单词，并查找是否在词汇列表vocabList出现，出现的把该位置置为1，未出现的就是之前初始化0

当待排序列表的元素由多字段构成时，我们可以通过sorted(iterable，key，reverse)的参数key来制定我们根据哪个字段对列表元素进行排序。

　　例如：想对元素第二个字段排序，则

根据键的值进行倒序排序

首先运用items()获取字典的键值tuple列表，通过key来设定根据哪个字段进行排序

总之，排序，是要对列表排序，如果是对字典排序，需要将字典转换成键值对tuple列表的形式之后，再进行排序。

if not 就是一个判断语句，not 表示 非，

写成这个样子可能就理解了：

意思就是如果 cond 为 “假值” （False，None，"" 等）时，执行分支里的语句。如果学过别的语言，比如 CC++ 等，上面的语句等价于：

使用if not x这种写法的前提是：必须清楚x等于None, False, 空字符串"", 0, 空列表[], 空字典{}, 空元组()时对你的判断没有影响才行。

矩阵索引使用[i,j]方式，数组索引使用[i][j]

getA()函数与mat()函数的功能相反，是将一个numpy矩阵转换为数组

m为行数，代表有多少个样本；n为列数，代表有多少个特征。

意思就是，将arr和values会重新组合成新的数组，作为返回值。axis是一个可选的值。

np.c_[]，组成矩阵（xx,yy对应位置配对）

xx.ravel()拉直，降低xx的维度，变成一行n列

将向量数组转换为秩为1的数组

表示求取矩阵或张量指定维度的平均值。若不指定第二个参数，则在所有元素中取平均值；若指定第二个参数为0， 则在第一维元素上取平均值，即每一列求平均值；若指定第二个参数为1，则在第二维元素上取平均值，即每一行求平均值。

表示把参数字符串按照路径命名规则拼接

就是大于0的返回1.0

flatten的作用:返回一个折叠成一维的数组。

但是该函数只能适用于numpy对象，即array或者mat

你的xMat折叠成一维数组，而且是按A的方式，进行折叠，然后[0]是取第一个元素

a是个矩阵或者数组，a.flatten()就是把a降到一维，默认是按横的方向降

此时的a是个矩阵，降维后还是个矩阵，矩阵.A（等效于矩阵.getA()）变成了数组，A[0]就是数组里的第一个元素

当从文本中读取一行数据时候，数据的形式是这样的

这样的数据格式不符合要求，可以使用map方法

Python中没有数组，只有元组和列表。

将对矩阵a的所有非零元素， 分别安装两个维度， 一次返回其在各维度上的目录值。

因为矩阵只有一个非0值，在第0行，第0列

因为矩阵a只有两个非零值， 在第0行、第0列，和第1行、第0列。所以结果元组中，第一个行维度数据为（0,1） 元组第二个列维度都为（0,0）。

Numpy 允许我们根据给定的新形状重塑矩阵，新形状应该和原形状兼容。有意思的是，我们可以将新形状中的一个参数赋值为-1。这仅仅表明它是一个未知的维度，我们希望 Numpy 来算出这个未知的维度应该是多少：Numpy 将通过查看数组的长度和剩余维度来确保它满足上述标准。让我们来看以下例子：

总而言之，当试图对一个张量进行 reshape 操作时，新的形状必须包含与旧的形状相同数量的元素，这意味着两个形状的维度乘积必须相等。当使用 -1 参数时，与-1 相对应的维数将是原始数组的维数除以新形状中已给出维数的乘积，以便维持相同数量的元素。

Numpy 的 argpartion 函数可以高效地找到 N 个最大值的索引并返回 N 个值。在给出索引后，我们可以根据需要进行值排序。

我们可以使用 Numpy extract () 函数从数组中提取符合条件的特定元素。

在很多数据处理和算法中（比如强化学习中的 PPO），我们需要使得所有的值保持在一个上下限区间内。Numpy 内置的 Clip 函数可以解决这个问题。Numpy clip () 函数用于对数组中的值进行限制。给定一个区间范围，区间范围外的值将被截断到区间的边界上。例如，如果指定的区间是 [-1,1]，小于-1 的值将变为-1，而大于 1 的值将变为 1。

示例1：限制数组中的最小值为 2，最大值为 6

示例2：限制数组中的最小值为2，最大值为5

a[2:7:2]表示从索引2开始到索引7停止，间隔为2

冒号 : 的解释：如果只放置一个参数，如 [2]，将返回与该索引相对应的单个元素。如果为 [2:]，表示从该索引开始以后的所有项都将被提取。如果使用了两个参数，如 [2:7]，那么则提取两个索引(不包括停止索引)之间的项。

43.1 计算当前时间戳

可以5*60=360s，计算时间戳的时候，再*1000转成毫秒级的

Numpy可以运用布尔值来替换值

可以看到替换有个很有用的地方，就是可以替换那些空值

如，我们现在读取一个字符矩阵，其中有一个控制，其中的控制我们很有必要把它替换成其他值，可以用数据的平均值或者直接把它删除。

例：将空值替换成“0”的操作

在日常的数据分析中，经常需要将数据根据某个（多个）字段划分为不同的群体（group）进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社交领域将用户根据画像（性别、年龄）进行细分，研究用户的使用情况和偏好等。在Pandas中，上述的数据处理操作主要运用groupby完成，这篇文章就介绍一下groupby的基本原理及对应的agg、transform和apply操作。

为了后续图解的方便，采用模拟生成的10个样本数据，代码和数据如下：

在Pandas中，实现分组操作的代码很简单，仅需一行代码，在这里，将上面的数据集按照company字段进行划分：

那这个生成的DataFrameGroupBy是啥呢？对data进行了groupby后发生了什么？ipython所返回的结果是其内存地址，并不利于直观地理解，为了看看group内部究竟是什么，这里把group转换成list的形式来看一看：

转换成列表的形式后，可以看到，列表由三个元组组成，每个元组中，第一个元素是组别（这里是按照company进行分组，所以最后分为了A,B,C），第二个元素的是对应组别下的DataFrame，整个过程可以图解如下：

总结来说，groupby的过程就是将原有的DataFrame按照groupby的字段（这里是company），划分为若干个分组DataFrame，被分为多少个组就有多少个分组DataFrame。所以说，在groupby之后的一系列操作（如agg、apply等），均是基于分组DataFrame的操作。理解了这点，也就基本摸清了Pandas中groupby操作的主要原理。下面来讲讲groupby之后的常见操作。

聚合操作是groupby后常见的操作，会写SQL的朋友对此应该是非常熟悉了。聚合操作可以用来求和、均值、最大值、最小值等，下面的表格列出了Pandas中常见的聚合操作。

针对样例数据集，如果我想计算不同公司员工的平均年龄和平均薪水，可以按照下方的代码进行：

如果想对针对不同的列求不同的值，比如要计算不同公司员工的平均年龄以及薪水的中位数，可以利用字典指定进行聚合操作：

transform是一种什么数据操作？和agg有什么区别呢？为了更好地理解transform和agg的不同，下面从实际的应用场景出发进行对比。

在上面的agg中，我们学会了如何求不同公司员工的平均薪水，如果现在需要在原数据集中新增一列avg_salary，代表员工所在的公司的平均薪水（相同公司的员工具有一样的平均薪水），该怎么实现呢？如果按照正常的步骤来计算，需要先求得不同公司的平均薪水，然后按照员工和公司的对应关系填充到对应的位置，不用transform的话，实现代码如下：

如果使用transform的话，仅需要一行代码：

还是以图解的方式来看看进行groupby后transform的实现过程（为了更直观展示，图中加入了company列，实际按照上面的代码只有salary列）：

图中的大方框是transform和agg所不一样的地方，对agg而言，会计算得到A，B，C公司对应的均值并直接返回，但对transform而言，则会对每一条数据求得相应的结果，同一组内的样本会有相同的值，组内求完均值后会按照原索引的顺序返回结果，如果有不理解的可以拿这张图和agg那张对比一下。

apply应该是大家的老朋友了，它相比agg和transform而言更加灵活，能够传入任意自定义的函数，实现复杂的数据操作。在Pandas数据处理三板斧，你会几板？中，介绍了apply的使用，那在groupby后使用apply和之前所介绍的有什么区别呢？

区别是有的，但是整个实现原理是基本一致的。两者的区别在于，对于groupby后的apply，以分组后的分组DataFrame作为参数传入指定函数的，基本操作单位是DataFrame，而之前介绍的apply的基本操作单位是Series。还是以一个案例来介绍groupby后的apply用法。

假设我现在需要获取各个公司年龄最大的员工的数据，该怎么实现呢？可以用以下代码实现：

数据集如下所示，各列分别代表身高、体重、是否吸烟、性别、年龄和肤色。

如果需要把数据集中gender列的男替换为1，女替换为0，怎么做呢？绝对不是用for循环实现！！！使用Series.map()可以很容易做到，最少仅需一行代码。

那map在实际过程中是怎么运行的呢？请看下面的图解（为了方便展示，仅截取了前10条数据）

不论是利用字典还是函数进行映射，map方法都是把对应的数据逐个当作参数传入到字典或函数中，得到映射后的值。

同时Series对象还有apply方法，apply方法的作用原理和map方法类似，区别在于apply能够传入功能更为复杂的函数。怎么理解呢？一起看看下面的例子。

假设在数据统计的过程中，年龄age列有较大误差，需要对其进行调整（加上或减去一个值），由于这个加上或减去的值未知，故在定义函数时，需要加多一个参数bias，此时用map方法是操作不了的（传入map的函数只能接收一个参数），apply方法则可以解决这个问题。

可以看到age列都减了3，当然，这里只是简单举了个例子，当需要进行复杂处理时，更能体现apply的作用。

总而言之，对于Series而言，map可以解决绝大多数的数据处理需求，但如果需要使用较为复杂的函数，则需要用到apply方法。

对DataFrame而言，apply是非常重要的数据处理方法，它可以接收各种各样的函数（Python内置的或自定义的），处理方式很灵活，下面通过几个例子来看看apply的具体使用及其原理。

在进行具体介绍之前，首先需要介绍一下DataFrame中axis的概念，在DataFrame对象的大多数方法中，都会有axis这个参数，它控制了你指定的操作是沿着0轴还是1轴进行。axis=0代表操作对列columns进行，axis=1代表操作对行row进行，如下图所示。

如果还不是很了解，没关系，下面会分别对apply沿着0轴以及1轴的操作进行讲解，继续往下走。

假设现在需要对data中的数值列分别进行取对数和求和的操作，这时可以用apply进行相应的操作，因为是对列进行操作，所以需要指定axis=0，使用下面的两行代码可以很轻松地解决我们的问题。

实现的方式很简单，但调用apply时究竟发生了什么呢？过程是怎么实现的？还是通过图解的方式来一探究竟。（取前五条数据为例）

当沿着轴0（axis=0）进行操作时，会将各列(columns)默认以Series的形式作为参数，传入到你指定的操作函数中，操作后合并并返回相应的结果。

那如果在实际使用中需要按行进行操作（axis=1），那整个过程又是怎么实现的呢？

在数据集中，有身高和体重的数据，所以根据这个，我们可以计算每个人的BMI指数（体检时常用的指标，衡量人体肥胖程度和是否健康的重要标准），计算公式是：体重指数BMI=体重/身高的平方（国际单位kg/㎡），因为需要对每个样本进行操作，这里使用axis=1的apply进行操作，代码如下：

还是用图解的方式来看看这个过程到底是怎么实现的（以前5条数据为例）。

当apply设置了axis=1对行进行操作时，会默认将每一行数据以Series的形式（Series的索引为列名）传入指定函数，返回相应的结果。

1. 当axis=0时，对每列columns执行指定函数；当axis=1时，对每行row执行指定函数。
2. 对每个Series执行结果后，会将结果整合在一起返回（若想有返回值，定义函数时需要return相应的值）

当然，DataFrame的apply和Series的apply一样，也能接收更复杂的函数，如传入参数等，实现原理是一样的，具体用法详见官方文档。

applymap的用法比较简单，会对DataFrame中的每个单元格执行指定函数的操作，虽然用途不如apply广泛，但在某些场合下还是比较有用的，如下面这个例子。

为了演示的方便，新生成一个DataFrame

pickle 是一个 python 中, 压缩/保存/提取 文件的模块. 最一般的使用方式非常简单. 比如下面就是压缩并保存一个字典的方式. 字典和列表都是能被保存的.

提取的时候相对简单点, 同样我们以读的形式打开那个文件, 然后 load 进一个 python 的变量.

Python中的字典（Dictionary）是以键值对的形式存储数据的，get()方法可以返回指定键的值，如果该键不存在的话，返回默认值。

key：需要查找的键。

default：如果查找的键不存在的话，返回default的值。默认为None。

dict.get(key)和dict[key]在key值存在的情况下，都能得到对应的键值。但是当使用dict[key]时，key必须要存在，否则会报错。但是dict.get[key]中的key可以不存在，因为get方法有一个默认的参数None，当key不存在的时候，返回None。

2022年三季度，在“房住不炒”的政策底线下，中央继续支持地方优化房地产政策，7月28日，

提出“因城施策用足用好工具箱，……压实地方政府责任，保交楼、稳民生”；8月底以来，

多次提出允许地方“一城一策”灵活运用信贷等政策，合理支持刚性和改善性住房需求；9月底，

央行、银保监会、财政部等

部委频繁释放利好政策，稳市场、稳预期。地方层面，进入9月，各地因城施策节奏有所加快，部分重点一二线城市政策跟进，进一步稳定市场预期。根据中指监测，三季度已有约200省市出台政策超300条，但受传统销售淡季、“断供”事件发酵和高温天气等因素的影响，房地产市场供需两端均未出现明显恢复，传统“金九”表现不及预期，整体政策效果尚不明显。

四季度，预计伴随着宏观经济稳定恢复、“保交楼”持续推进以及降低房贷利率、减免税费等相关举措持续落地，购房者置业情绪将会有所修复，房地产市场亦有望底部企稳，但预期偏弱以及疫情的不确定性仍是影响市场修复的关键因素，房企投资拿地预计将继续保持谨慎，土地市场或将延续低迷态势。对于企业来说，主动把握政策和市场窗口期，积极营销回款，同时把握“保交楼”时机，夯实自身品牌，至关重要。

2022年三季度中国房地产市场形势总结

(一)价格水平：三季度百城新房和二手房价格各月环比均下跌，房价走势低迷

图：2020年1月至2022年9月百城新建住宅均价及环比变化

数据来源：中指数据CREIS（点击查看）

百城新建住宅方面，2022年三季度百城新建住宅价格累计下跌/?1&yyid=X

百城二手住宅方面，根据中国房地产指数系统百城价格指数，2022年前三季度百城二手住宅价格累计下跌/?1&yyid=X

三季度，重点100城新建商品住宅成交面积同比降幅近三成，成交规模为2015年以来同期最低水平，市场调整态势未改。根据中指初步统计，2022年前三季度，重点100城新建商品住宅月均成交面积约3143万平方米，同比下降/?1&yyid=X

各梯队城市来看，前三季度，一线城市商品住宅成交面积同比下降/?1&yyid=X

二手住宅方面，三季度市场情绪略有修复，低基数下，8月重点城市成交面积同比转增。2022年1-8月，15个代表城市二手住宅累计成交面积为6829万平方米，同比下降/?1&yyid=X

受市场情绪低迷和疫情管控等因素影响，三季度重点城市供应节奏改善不明显，新批上市面积同比降幅超四成。据初步统计，2022年前三季度，重点50城商品住宅月均新批上市面积1763万平方米，同比下降/?1&yyid=X

短期库存来看，重点城市供需两端偏弱，可售库存稳定在相对高位，出清周期在15个月以上。截至8月末，50个代表城市商品住宅可售面积37216万平方米，处于2017年以来的相对高位，整体规模较二季度末下降/?1&yyid=X

在房地产市场下行态势未见明显改善、房企资金承压下，三季度地方政府推地力度继续放缓。根据中指数据，2022年前三季度，全国300城住宅用地共推出/?1&yyid=X

楼面价方面，三季度地方政府持续加大优质地块供应力度，住宅用地成交楼面价结构性上涨，但多数城市土拍表现仍较低迷，溢价率处于低位。2022年前三季度，全国300城住宅用地成交楼面价6441元/平方米，同比上涨/?1&yyid=X

各线来看，三季度住宅用地供求面积同比均下降，一二线成交楼面价结构性上涨。2022年前三季度，各线城市住宅用地供求较去年同期均明显缩量，推出面积同比降幅均在四成左右；成交端，二线、三四线城市土拍市场持续低温，同时受土地推出力度减弱影响，成交面积同比降幅均近五成，一线城市同比降幅亦近两成。三季度，各地政府推地意愿仍不足，各线城市住宅用地推出面积同比降幅均在三成以上；成交方面，一线城市成交面积同比增长，二线城市同比小幅下降，三四线城市同比降幅超三成。价格方面，一二线城市加大优质地块供应力度，三季度住宅用地成交楼面价分别结构性上涨/?1&yyid=X

从两集中土拍情况来看，三季度22城均完成2022年二批次土拍，且过半数已推出三批次地块。整体来看，二批次供地节奏继续放缓，整体推出面积与首批次基本持平，与去年二批次相比，22城供地规模整体下降58%。具体城市来看，南京、青岛二批次供地规模较首批次增幅均超100%，无锡、深圳、重庆增幅亦超50%，而其余城市推出面积多为下降，济南、广州、上海、天津降幅在五成左右。整体来看，22城中首批次土拍表现相对较好的城市供地信心更强，如深圳、厦门、长沙二批次供地均上调规模，而首批次低温运行的城市中，除青岛外，天津、济南供地规模均大幅缩量。另外，截至9月30日，22城中有17城发布三批次公告，较去年三批次整体缩量，但降幅收窄；较二批次推出面积有所增长，其中武汉、合肥、上海增幅在50%以上。

表：22城二批次集中供地成交情况（单位：万㎡、百分点）

备注：沈阳2022首批次仅成交4宗住宅用地；长春2022首批次仅成交1宗住宅用地。

成交方面，22城集中供地二批次成交面积较首批次小幅增长，城市市场热度分化明显。截至9月末，22城均已完成二批次竞拍，成交面积较首批次小幅增长8%，较去年二批次降幅超三成，部分城市市场情绪略有修复，整体流拍撤牌率好于首批次。三批次中，北京、杭州、合肥、青岛、厦门、无锡等12城完成土地出让，其中杭州19宗地中8宗竞拍至地价上限，北京18宗地全部成交无流拍，4宗竞拍至地价上限，热点城市热点地块竞拍热度仍在；青岛推出33宗地，流拍3宗，28宗底价成交，无锡全部底价成交，土拍情绪仍较低。

此外，从两集中土拍政策来看，二批次中，青岛调整供地结构，提高土地质量，同时取消配建产权型人才公寓，提高房企参拍积极性；上海、广州增加核心区土地供应，杭州提高部分地块销售限价，武汉优化租赁配建方式，优化住宅用地内配建的商业办公比重。三批次中，土拍规则宽松趋势延续，武汉调整地块保证金比例，南京不设毛坯限价等。另外，多城市增加供地批次，如无锡、苏州目前已发布四批次土地公告，武汉9-11月计划集中供地四批次、五批次、六批次。

(五)开发投资：房地产开发投资额连续2个月单月同比降幅超10%，房企到位资金同比大幅下降

全国房地产开发投资同比下降，8月单月投资额同比降幅超13%。2022年1-8月，全国房地产开发投资额为/?1&yyid=X

与此同时，中央多次强调“因城施策”“一城一策”优化房地产政策，赋予地方政府更多自主权。根据中指监测，三季度已有约200省市出台政策超300条，其中7-8月各地因城施策频率稍缓，9月政策优化节奏再次加快。从城市类型来看，三季度热点城市加大政策优化力度，北上广深均有涉及；二线城市则从多个角度优化调控措施，循序渐进改善房地产市场政策环境。政策涉及内容除了优化限购政策、降低首付比例、提高公积金额度、发放购房补贴、降低限售年限、为房企提供资金支持等方面外，部分城市亦持续完善政策工具箱，如多孩家庭住房扶持政策、“一人购房全家帮”的公积金购房政策、租赁破限购、二手房带押过户、支持集中购房等。具体来看：

分城市来看，四季度各线城市市场分化态势或延续。预计一线城市中北京、上海延续恢复态势，广州政策发力后市场或逐渐企稳，深圳新房成交规模缓慢回升，但同比下降态势或仍较明显。二线城市中，随着热点二线城市政策进一步优化放松，这部分城市市场活跃度有望提升，如杭州、成都、西安、苏州、合肥等城市，对于大多数二线城市来说，市场信心修复仍需时间。三四线城市市场整体调整压力仍较大，东部热点区域的三四线城市市场情绪或逐渐好转，如佛山、东莞等城市。

受销售端整体延续调整态势影响，企业开工意愿不足，叠加土地缩量明显、企业资金压力较大等因素，预计全年新开工面积同比降幅接近40%。另外，“保交楼”要求下，竣工有望持续修复，一定程度带动投资边际改善，但难改全年投资下行态势。

2022年品牌房企经营策略分析

图：2021年至2022年1-9月TOP100房企累计销售额及增速情况

表：2022年前三季度房企各阵营数量及销售额均值情况

三季度，房企按不同项目类型及市场变化灵活制定不同销售策略，8月以来企业加大营销力度、以价换量现象频现，但整体效果并不明显。

拿地企业类型来看，今年以来22城拿地企业仍以央国企、地方国资为主，部分城市地方国资托底明显，民企拿地态度整体偏谨慎。根据中指数据，2022年22城二批次央国企+地方国资拿地金额占比超八成，较首批次占比提升10个百分点左右，而民企占比仅16%，市场持续调整下，民企资金面承压明显，拿地意愿仍不足。

2022年9月，房企无海外债发行，仅通过发行信用债进行融资。信用债发行规模为/?1&yyid=X

一年内到期债务余额10258.2亿元。截至2022年9月30日，房企待偿债券余额共计30723.9亿元；一年内到期的债券合计10258.2亿元，其中信用债余额6491.4亿元，海外债余额3766.7亿元。整体来看，四季度到期债务处于相对低位，企业资金压力或略有缓和。

当前阶段，房地产市场整体仍处于深度调整期，但伴随着9月底中央多项重大利好政策出台，房地产政策环境得到明显改善，随着楼市传统“银十”的到来，热点城市政策优化或带动当地市场逐渐修复，企业应把握政策和市场窗口期，积极营销促回款。在投资布局上，企业需继续深耕有价值的城市和板块，把握结构性机会，同时，行业已进入“交付力”比拼时代，企业需把握“保交楼”时机，提升品牌影响力，实现高质量发展。

1.2天文学概述（一）

1.3天文学概述（二）

1、【单选题】全天星空按照北半球春分、夏至、秋分以及冬至太阳在天球上的投影位置可依次划分为（ ）

26、【单选题】全天星空按照北半球春分、夏至、秋分以及冬至太阳在天球上的投影位置可依次划分为（ ）

8、【多选题】下列关于天体视运动说法正确的是（ ）
    D、每天同一时刻月亮的位置逐日东移是天体周年视运动的表现

9、【多选题】下列关于天球坐标系与天体周日视运动说法正确的是（ ）
    B、每日天体的地平坐标与时角坐标随着天体向西的视运动,与时俱增
    C、地平坐标系的方位流失不均匀,时角坐标系的时角值流逝均匀
    D、地球不同经度地区,对应始圈不同,同一时刻天体在不同地区的地平坐标与时角坐标也不同

7、【多选题】下列关于天球坐标系与天体周年视运动说法正确的是（ ）
    B、恒星没有明显的周年视运动,太阳系天体有明显的周年视运动
    C、天体赤道坐标与黄道坐标表示的是从地球上观测天体在天球上的投影位置, 与地球自转无关,一天内的变化很小
    D、太阳系天体沿黄道的周年视运动会导致天体的黄经和赤经“与日俱增”

3.10小结及章节测验

50、【多选题】下列关于天体视运动说法正确的是（ ）
    D、每天同一时刻月亮的位置逐日东移是天体周年视运动的表现

55、【多选题】下列关于天球坐标系与天体周日视运动说法正确的是（ ）
    B、每日天体的地平坐标与时角坐标随着天体向西的视运动,与时俱增
    C、地平坐标系的方位流失不均匀,时角坐标系的时角值流逝均匀
    D、地球不同经度地区,对应始圈不同,同一时刻天体在不同地区的地平坐标与时角坐标也不同

56、【多选题】下列关于天球坐标系与天体周年视运动说法正确的是（ ）
    B、恒星没有明显的周年视运动,太阳系天体有明显的周年视运动
    C、天体赤道坐标与黄道坐标表示的是从地球上观测天体在天球上的投影位置, 与地球自转无关,一天内的变化很小
    D、太阳系天体沿黄道的周年视运动会导致天体的黄经和赤经“与日俱增”

4、【单选题】下列关于折射望远镜说法不正确的是（ ）
    B、折射望远镜的物镜和目镜是凸透镜和凸透镜的组合,也可能是凸透镜和凹透镜的组合,前者成正像,后者成倒像
    C、折射望远镜的重量和造价随口径快速上升,世界最大的折射望远镜的口径约1.02m

8、【多选题】下列关于折反射望远镜的说法正确的是（ ）
    A、折反射望远镜相对于反射望远镜在反射镜的远端加装了改正透镜
    B、施卡式和马卡式等混合式望远镜的出现解决了典型折反射望远镜不能目视的问题
    C、马卡式采样的双面弯月形改正镜,制造工艺难度较大,不可制作大口径望远镜
    D、施卡式采用的单面波浪形改正镜,制造工艺难度较小,可用于制作大口径望远镜

2、【单选题】天文望远镜的极轴调整的主要目的是（ ）

4.12小结及章节测验

16、【单选题】下列关于折射望远镜说法不正确的是（ ）
    B、折射望远镜的物镜和目镜是凸透镜和凸透镜的组合,也可能是凸透镜和凹透镜的组合,前者成正像,后者成倒像
    C、折射望远镜的重量和造价随口径快速上升,世界最大的折射望远镜的口径约1.02m

22、【单选题】天文望远镜的极轴调整的主要目的是（ ）

45、【多选题】下列关于折反射望远镜的说法正确的是（ ）
    A、折反射望远镜相对于反射望远镜在反射镜的远端加装了改正透镜
    B、施卡式和马卡式等混合式望远镜的出现解决了典型折反射望远镜不能目视的问题
    C、马卡式采样的双面弯月形改正镜,制造工艺难度较大,不可制作大口径望远镜
    D、施卡式采用的单面波浪形改正镜,制造工艺难度较小,可用于制作大口径望远镜

5.17小结及章节测验

6.35.2 太阳系：天体分类

6.45.3 太阳系：运动演化

6.16小结及章节测验

3、【多选题】下列关于月球地质说法正确的是( )

7、【多选题】下列关于月球说法正确的是( )

16、【多选题】下列关于月球说法正确的是( )

5、【多选题】下列关于恒星视差与光行差说法正确的是()
    A、恒星的周年视差通常导致恒星投影位置沿年视差椭圆的半径方向偏离平均位置
    B、恒星的光行差通常导致恒星投影位置沿年视差椭圆的切向方向偏离平均位置

23、【多选题】下列关于恒星视差与光行差说法正确的是()
    A、恒星的周年视差通常导致恒星投影位置沿年视差椭圆的半径方向偏离平均位置
    B、恒星的光行差通常导致恒星投影位置沿年视差椭圆的切向方向偏离平均位置

12、【多选题】下列关于昼长与正午太阳高度的空间变化规律说法正确是( )
    A、昼长变化以赤道为中心,向两侧呈现翘翘板似的匀速增长与递减
    B、正午太阳高度变化以直射点为中心,向两侧呈现翘翘板似的加速增长与递减
    D、正午太阳高度以直射点为中心,向两侧呈现对称式匀速增长与递减

5、【多选题】地球现有轨道参数配置下( )
    A、黄赤夹角和偏心率导致热量在季节上的分配在北半球是抵消的
    B、黄赤夹角和偏心率导致热量在季节上的分配在北半球是叠加的
    C、黄赤夹角和偏心率导致热量在季节上的分配在南半球是抵消的
    D、黄赤夹角和偏心率导致热量在季节上的分配在南半球是叠加的

6、【多选题】下列关于地外行星天象说法正确的是( )
    B、地外行星的大冲是其位于近日点附近,而地球处于远日点附近时
    C、地外行星的小冲是其位于远日点附近,而地球处于近日点附近时

6、【多选题】下列关于日月食持续时间正确的是( )

4、【多选题】下列关于日月食限说法正确的是( )
    B、月食限是地本影轮与日轮相切时,黄白交点到地本影轮的黄经差
    D、月食限是地本影轮与月轮相切时,黄白交点到地本影轮的黄经差

3、【多选题】下列关于北半球夏半年天体视运动说法正确的是( )
    B、夜间黄道在赤道下,黄道上的黄道星座的赤纬为负,中天高度低,出没方位偏南
    C、夜间黄道在赤道下,黄道上的行星的赤纬为负,中天高度低,出没方位偏南
    D、夜间黄道在赤道下,黄道上的月球的赤纬为负,中天高度低,出没方位偏南

4、【多选题】下列关于北半球冬半年天体视运动说法正确的是( )
    B、夜间黄道在赤道上,黄道上的黄道星座的赤纬为负,中天高度低,出没方位偏南
    C、夜间黄道在赤道上,黄道上的行星的赤纬为负,中天高度低,出没方位偏南
    D、夜间黄道在赤道上,黄道上的月球的赤纬为负,中天高度低,出没方位偏南

9.22小结及章节测验

94、【多选题】下列关于昼长与正午太阳高度的空间变化规律说法正确是( )
    A、昼长变化以赤道为中心,向两侧呈现翘翘板似的匀速增长与递减
    B、正午太阳高度变化以直射点为中心,向两侧呈现翘翘板似的加速增长与递减
    D、正午太阳高度以直射点为中心,向两侧呈现对称式加速增长与递减

96、【多选题】地球现有轨道参数配置下( )
    A、黄赤夹角和偏心率导致热量在季节上的分配在北半球是抵消的
    B、黄赤夹角和偏心率导致热量在季节上的分配在北半球是叠加的
    C、黄赤夹角和偏心率导致热量在季节上的分配在南半球是抵消的
    D、黄赤夹角和偏心率导致热量在季节上的分配在南半球是叠加的

102、【多选题】下列关于地外行星天象说法正确的是( )
    B、地外行星的大冲是其位于近日点附近,而地球处于远日点附近时
    C、地外行星的小冲是其位于远日点附近,而地球处于近日点附近时

123、【多选题】下列关于日月食持续时间正确的是( )

126、【多选题】下列关于日月食限说法正确的是( )
    B、月食限是地本影轮与日轮相切时,黄白交点到地本影轮的黄经差
    D、月食限是地本影轮与月轮相切时,黄白交点到地本影轮的黄经差

136、【多选题】下列关于北半球夏半年天体视运动说法正确的是( )
    B、夜间黄道在赤道下,黄道上的黄道星座的赤纬为负,中天高度低,出没方位偏南
    C、白天黄道在赤道下,黄道上的太阳的赤纬为负,中天高度低,出没方位偏南
    D、夜间黄道在赤道上,黄道上的月球的赤纬为正,中天高度高,出没方位偏北

137、【多选题】下列关于北半球冬半年天体视运动说法正确的是( )
    B、夜间黄道在赤道上,黄道上的黄道星座的赤纬为正,中天高度高,出没方位偏北
    C、夜间黄道在赤道上,黄道上的行星的赤纬为正,中天高度高,出没方位偏北
    D、夜间黄道在赤道上,黄道上的月球的赤纬为正,中天高度高,出没方位偏北

10.10小结及章节测验

11.11小结及章节测验

10、【单选题】全天星空按照北半球春分、夏至、秋分以及冬至太阳在天球上的投影位置可依次划分为（ ）

114、【多选题】下列关于天球坐标系与天体周日视运动说法正确的是（ ）
    B、每日天体的地平坐标与时角坐标随着天体向西的视运动,与时俱增
    C、地平坐标系的方位流失不均匀,时角坐标系的时角值流逝均匀
    D、地球不同经度地区,对应始圈不同,同一时刻天体在不同地区的地平坐标与时角坐标也不同

115、【多选题】下列关于天球坐标系与天体周年视运动说法正确的是（ ）
    B、恒星没有明显的周年视运动,太阳系天体有明显的周年视运动
    C、天体赤道坐标与黄道坐标表示的是从地球上观测天体在天球上的投影位置, 与地球自转无关,一天内的变化很小
    D、太阳系天体沿黄道的周年视运动会导致天体的黄经和赤经“与日俱增”

139、【多选题】下列关于昼长与正午太阳高度的空间变化规律说法正确是( )
    A、昼长变化以赤道为中心,向两侧呈现翘翘板似的匀速增长与递减
    B、正午太阳高度变化以直射点为中心,向两侧呈现翘翘板似的加速增长与递减
    D、正午太阳高度以直射点为中心,向两侧呈现对称式加速增长与递减