oracle日期格式的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到附近那裡買和營業時間的推薦產品

洞察大資料價值：SAS程式設計與資料採擷

為了解決oracle日期格式的問題，作者楊池然劉璐 這樣論述：

以SAS9.4版本為開發平臺，通過與實際開發應用實例相結合的方式，將理論聯繫實踐，由淺入深地講解SAS程式設計和資料採擷的實踐案例。其中統計分析應用、資料採擷和實踐案例綜合講解與分析是該書的一大特色。 　　 該書融入了作者多年工作中大量的實踐案例，通過實踐案例程式詳細解讀的方式，説明學習者理解大資料分析與資料採擷。 　　 該書可以作為金融、數學、醫學和電腦等領域的從業人員、SAS愛好者學習SAS的參考書，也可作為在校學生學習SAS程式設計的教材，同時可作為各領域資料分析與資料採擷工作者的案頭參考書。

Python資料分析實戰 第2版

為了解決oracle日期格式的問題，作者(意)法比奧•內利 這樣論述：

Python簡單易學，擁有豐富的庫，並且具有極強的包容性。 本書展示了如何利用Python語言的強大功能，以最小的程式設計代價對資料進行提取、處理和分析。這一版除了介紹資料分析和Python基礎知識、NumPy庫和pandas庫，使用pandas讀寫和處理資料，用matplotlib庫實現資料視覺化，用scikit-learn庫進行機器學習，D3庫嵌入和識別手寫體數位，還新增了用TensorFlow進行深度學習，用NLTK分析文本數據，用OpenCV分析圖像及實現電腦視覺等。 法比奧·內利（Fabio Nelli），IRBM科學園IT科學應用專家，曾為IBM、EDS等企業

提供諮詢。目前從事Java應用開發，對接科學儀器和Oracle資料庫，生成資料和Web伺服器應用，為研究人員提供即時分析結果。他還是Meccanismo Complesso社區（www.meccanismocomplesso.org）的專案協調人。 版權聲明 獻詞 譯者序 第1章 資料分析簡介　1 1.1　資料分析　1 1.2　資料分析師的知識範疇　2 1.2.1　電腦科學　2 1.2.2　數學和統計學　3 1.2.3　機器學習和人工智慧　3 1.2.4　資料來源領域　3 1.3　理解資料的性質　4 1.3.1　資料到資訊的轉變　4 1.3.2　資訊

到知識的轉變　4 1.3.3　資料的類型　4 1.4　資料分析過程　4 1.4.1　問題定義　5 1.4.2　數據抽取　6 1.4.3　數據準備　6 1.4.4　資料探索和視覺化　7 1.4.5　預測建模　7 1.4.6　模型驗證　8 1.4.7　部署　8 1.5　定量和定性資料分析　9 1.6　開放數據　9 1.7　Python和資料分析　10 1.8　結論　11 第2章 Python世界簡介　12 2.1　Python——程式設計語言　12 2.2　Python 2和Python 3　14 2.2.1　安裝Python　15 2.2.2　Python發

行版本　15 2.2.3　使用Python　17 2.2.4　編寫Python代碼　18 2.2.5　IPython　22 2.3　PyPI倉庫——Python包索引　25 2.4　SciPy　29 2.4.1　NumPy　29 2.4.2　pandas　29 2.4.3　matplotlib　30 2.5　小結　30 第3章　NumPy庫　31 3.1　NumPy簡史　31 3.2　NumPy安裝　31 3.3　ndarray：NumPy庫的心臟　32 3.3.1　創建陣列　33 3.3.2　資料類型　34 3.3.3　dtype選項　34 3.3.4　自

帶的陣列創建方法　35 3.4　基本操作　36 3.4.1　算術運算子　36 3.4.2　矩陣積　37 3.4.3　自增和自減運算子　38 3.4.4　通用函數　39 3.4.5　彙總函式　39 3.5　索引機制、切片和反覆運算方法　40 3.5.1　索引機制　40 3.5.2　切片操作　41 3.5.3　陣列反覆運算　42 3.6　條件和布林陣列　44 3.7　形狀變換　44 3.8　陣列操作　45 3.8.1　連接陣列　45 3.8.2　陣列切分　46 3.9　常用概念　48 3.9.1　物件的副本或視圖　48 3.9.2　向量化　48 3.9.3　廣

播機制　49 3.10　結構化陣列　51 3.11　陣列資料檔案的讀寫　52 3.11.1　二進位檔案的讀寫　53 3.11.2　讀取檔中的清單形式資料　53 3.12　小結　54 第4章 pandas庫簡介　55 4.1　pandas：Python資料分析庫　55 4.2　安裝pandas　56 4.2.1　用Anaconda安裝　56 4.2.2　用PyPI安裝　56 4.2.3　在Linux系統的安裝方法　57 4.2.4　用原始程式碼安裝　57 4.2.5　Windows模組倉庫　57 4.3　測試pandas是否安裝成功　57 4.4　開始pandas

之旅　58 4.5　pandas資料結構簡介　58 4.5.1　Series對象　59 4.5.2　DataFrame對象　65 4.5.3　Index對象　71 4.6　索引物件的其他功能　72 4.6.1　更換索引　72 4.6.2　刪除　74 4.6.3　算術和資料對齊　75 4.7　資料結構之間的運算　76 4.7.1　靈活的算數運算方法　76 4.7.2　DataFrame和Series物件之間的運算　77 4.8　函數應用和映射　78 4.8.1　操作元素的函數　78 4.8.2　按行或列執行操作的函數　78 4.8.3　統計函數　79 4.9　排序

和排位次　80 4.10　相關性和協方差　82 4.11　NaN數據　84 4.11.1　為元素賦NaN值　84 4.11.2　過濾NaN　84 4.11.3　為NaN元素填充其他值　85 4.12　等級索引和分級　85 4.12.1　重新調整順序和為層級排序　87 4.12.2　按層級統計資料　88 4.13　小結　88 第5章　pandas：數據讀寫　89 5.1　I/O API工具　89 5.2　CSV和文字檔　90 5.3　讀取CSV或文字檔中的資料　90 5.3.1　用RegExp解析TXT文件　92 5.3.2　從TXT檔讀取部分資料　94 5.3

.3　將資料寫入CSV檔　94 5.4　讀寫HTML文件　96 5.4.1　寫入資料到HTML檔　96 5.4.2　從HTML檔讀取資料　98 5.5　從XML讀取數據　99 5.6　讀寫Microsoft Excel文件　101 5.7　JSON數據　102 5.8　HDF5格式　105 5.9　pickle——Python物件序列化　106 5.9.1　用cPickle實現Python物件序列化　106 5.9.2　用pandas實現物件序列化　107 5.10　對接資料庫　108 5.10.1　SQLite3數據讀寫　108 5.10.2　PostgreSQL數

據讀寫　110 5.11　NoSQL資料庫MongoDB資料讀寫　112 5.12　小結　113 第6章　深入pandas：資料處理　114 6.1　數據準備　114 合併　115 6.2　拼接　118 6.2.1　組合　121 6.2.2　軸向旋轉　122 6.2.3　刪除　124 6.3　資料轉換　124 6.3.1　刪除重複元素　125 6.3.2　映射　125 6.4　離散化和麵元劃分　129 6.5　排序　133 6.6　字串處理　134 6.6.1　內置的字串處理方法　134 6.6.2　規則運算式　135 6.7　數據聚合　137 6.7.

1　GroupBy　137 6.7.2　實例　138 6.7.3　等級分組　139 6.8　組反覆運算　140 6.8.1　鏈式轉換　140 6.8.2　分組函數　141 6.9　高級數據聚合　142 6.10　小結　145 第7章　用matplotlib實現資料視覺化　146 7.1　matplotlib庫　146 7.2　安裝　147 7.3　IPython和Jupyter QtConsole　147 7.4　matplotlib架構　148 7.4.1　Backend層　149 7.4.2　Artist層　149 7.4.3　Scripting層（pypl

ot）　150 7.4.4　pylab和pyplot　150 7.5　pyplot　151 7.6　繪圖窗口　152 7.6.1　設置圖形的屬性　153 7.6.2　matplotlib和NumPy　155 7.7　使用kwargs　157 7.8　為圖表添加更多元素　159 7.8.1　添加文本　159 7.8.2　添加網格　162 7.8.3　添加圖例　163 7.9　保存圖表　165 7.9.1　保存代碼　165 7.9.2　將會話轉換為HTML檔　167 7.9.3　將圖表直接保存為圖片　168 7.10　處理日期值　168 7.11　圖表類型　170

7.12　線性圖　170 7.13　長條圖　177 7.14　條狀圖　178 7.14.1　水準條狀圖　180 7.14.2　多序列條狀圖　181 7.14.3　為pandas DataFrame生成多序列條狀圖　182 7.14.4　多序列堆積條狀圖　183 7.14.5　為pandas DataFrame繪製堆積條狀圖　186 7.14.6　其他條狀圖　187 7.15　圓形圖　187 7.16　高級圖表　190 7.16.1　等值線圖　190 7.16.2　極區圖　192 7.17　mplot3d工具集　194 7.17.1　3D曲面　194 7.17.2

　3D散點圖　195 7.17.3　3D條狀圖　196 7.18　多面板圖形　197 7.18.1　在其他子圖中顯示子圖　197 7.18.2　子圖網格　199 7.19　小結　200 第8章　用scikit-learn庫實現機器學習　201 8.1　scikit-learn庫　201 8.2　機器學習　201 8.2.1　有監督和無監督學習　201 8.2.2　訓練集和測試集　202 8.3　用 scikit-learn實現有監督學習　202 8.4　Iris資料集　202 8.5　K-近鄰分類器　207 8.6　Diabetes資料集　210 8.7　線性回

歸：最小平方回歸　211 8.8　支持向量機　214 8.8.1　支援向量分類　215 8.8.2　非線性 SVC　218 8.8.3　繪製SVM分類器對Iris資料集的分類效果圖　220 8.8.4　支持向量回歸　222 8.9　小結　224 第9章　用TensorFlow庫實現深度學習　225 9.1　人工智慧、機器學習和深度學習　225 9.1.1　人工智慧　225 9.1.2　機器學習是人工智慧的分支　226 9.1.3　深度學習是機器學習的分支　226 9.1.4　人工智慧、機器學習和深度學習的關係　226 9.2　深度學習　227 9.2.1　神經網路

和GPU　227 9.2.2　資料可用：開來源資料資源、物聯網和大資料　228 9.2.3　Python　228 9.2.4　Python深度學習框架　228 9.3　人工神經網路　229 9.3.1　人工神經網路的結構　229 9.3.2　單層感知器　230 9.3.3　多層感知器　232 9.3.4　人工神經網路和生物神經網路的一致性　232 9.4　TensorFlow　233 9.4.1　TensorFlow：Google開發的框架　233 9.4.2　TensorFlow：資料流程圖　233 9.5　開始TensorFlow 程式設計　234 9.5.1　安

裝TensorFlow　234 9.5.2　Jupyter QtConsole程式設計　234 9.5.3　TensorFlow的模型和會話　234 9.5.4　張量　236 9.5.5　張量運算　238 9.6　用 TensorFlow實現SLP　239 9.6.1　開始之前　239 9.6.2　待分析的資料　239 9.6.3　SLP模型定義　241 9.6.4　學習階段　243 9.6.5　測試階段和正確率估計　246 9.7　用TensorFlow實現MLP（含一個隱含層）　248 9.7.1　MLP模型的定義　249 9.7.2　學習階段　250 9.7.

3　測試階段和正確率計算　253 9.8　用TensorFlow實現多層感知器（含兩個隱含層）　255 9.8.1　測試階段和正確率計算　259 9.8.2　實驗資料評估　260 9.9　小結　262 第10章 資料分析實例——氣象資料　263 10.1　待檢驗的假設：靠海對氣候的影響　263 10.2　資料來源　265 10.3　用Jupyter Notebook分析資料　266 10.4　分析預處理過的氣象資料　269 10.5　風向頻率玫瑰圖　279 10.5　小結　283 第11章 Jupyter Notebook 內嵌 JavaScript庫D3　284

11.1　開放的人口資料來源　284 11.2　JavaScript庫D3　286 11.3　繪製簇狀條狀圖　290 11.4　地區分佈圖　293 11.5　2014年美國人口地區分佈圖　296 11.6　小結　300 第12章 識別手寫體數位　301 12.1　手寫體識別　301 12.2　用scikit-learn識別手寫體數位　301 12.3　Digits資料集　302 12.4　使用估計器學習並預測　304 12.5　用TensorFlow識別手寫體數位　306 12.6　使用神經網路學習並預測　307 12.7　小結　310 第13章 用NLTK

分析文本資料　311 13.1　文本分析技術　311 13.1.1　自然語言處理工具集　311 13.1.2　導入NLTK庫和NLTK下載器　312 13.1.3　在NLTK語料庫檢索單詞　314 13.1.4　分析詞頻　315 13.1.5　從文本選擇單詞　317 13.1.6　二元組和搭配　318 13.2　網路文本資料的應用　319 13.2.1　從HTML文檔抽取文本　320 13.2.2　情感分析　320 13.3　小結　322 第14章 用OpenCV庫實現圖像分析和視覺計算　323 14.1　圖像分析和計算視覺　323 14.2　OpenCV和Pyt

hon　324 14.3　OpenCV和深度學習　324 14.4　安裝OpenCV　324 14.5　影像處理和分析的第 1類方法　324 14.5.1　開始之前　324 14.5.2　載入和顯示圖像　325 14.5.3　影像處理　326 14.5.4　保存新圖　327 14.5.5　圖像的基本操作　327 14.5.6　圖像混合　330 14.6　圖像分析　331 14.7　邊緣檢測和圖像梯度分析　332 14.7.1　邊緣檢測　332 14.7.2　圖像梯度理論　332 14.7.3　用梯度分析檢測圖像邊緣示例　333 14.8　深度學習示例：面部識別　3

37 14.9　小結　339 附錄A　用LaTeX編寫數學運算式　340 附錄B　開放資料來源　350

BOM準確性對企業之影響及改善研究

為了解決oracle日期格式的問題，作者高振洋 這樣論述：

摘要目錄圖目錄表目錄第一章 緒論1.1 研究背景與動機1.2 研究目的1.3 論文架構第二章 文獻回顧與探討2.1 物料清單2.1.1 BOM的結構2.1.2 BOM的種類2.2 物料清單的錯誤2.2.1 BOM錯誤的原因2.2.2 BOM錯誤訊息分類2.3 物料清單準確性的意義2.4 物料清單準確度對企業ERP影響之探討2.5 資料品質2.6 資料整合2.6.1 Agile Content Services (ACS)2.6.2 XML格式2.6.3 Process Extensions (PX)2.7 Oracle DB表格資料比較2.7.1 MI

NUS 差集比較方式第三章 應用架構設計3.1 流程設計3.2 流程處理3.3 開發工具3.4 BOM結構驗證3.4.1 BOM檢核規則3.4.2 BOM檢核時機3.5 BOM資料轉出3.5.1 資料表設計3.5.2 物件模型設計3.5.3 BOM資料拋轉處理流程3.6 BOM資料比對作業第四章 研究結果與探討4.1 人工作業比對BOM流程4.2 人工比對BOM資料分析4.3 自動化比對BOM有效性及分析4.4 自動化與人工比對BOM之探討第五章 結論5.1 研究結論5.2 未來研究建議參考文獻