mac+unity3d准备工作——磨刀

Posted 2023-05-08

参考技术A 此时所有程序都已经搞定了，vscode有智能提示并可以断点调试。

解决方案：来自于（https://www.jianshu.com/p/39087d85c120）

在VSCode的设置里，找到“扩展”->"C# configuration"，然后在右侧找到Use Global Mono，把下面的选项改成always即可。

在vscode中选择调试为 unity editer，然后点击运行，再在unity中运行界面的时候断点就会生效。

在首选项->外部工具中，把编辑器附加选项打开。

打开.bash_profile添加环境变量

export MONO_HOME=/Library/Frameworks/Mono.framework/Versions/版本号

export PATH=$PATH:$MONO_HOME/bin

完成后重启

一般在Mac上配置环境变量时经常要创建、编辑 .bash_profile文件。

创建该文件时一般都会选择在当前用户目录下，即Mac下的.bash_profile 文件的路径是 /Users/YourMacUserName/.bash_profile (如果该文件已经创建过的话)

1、创建 .bash_profile

（1） 启动终端

（2） 进入当前用户的home目录(默认就是)：

        cd ~  或 cd /Users/YourMacUserName 

（3）输入touch .bash_profile

2、查看 、编辑 .bash_profile 文件

（1）终端输入 open -e .bash_profile    （如果只是查看，直接使用open .bash_profile） （2）编辑 （3）关闭即可保存修改

3、更新刚配置的环境变量

  输入source .bash_profile

打开Finder，前往文件夹：/Library/Frameworks/

SPSS分析技术：时间序列描述；磨刀不误砍柴工，充分了解是获得满意结果的前提

基础准备

上一篇推送，草堂君介绍了时间序列的定义、构成要素、数值变动构成，以及时间序列分析的作用等内容，大家可以点击下方链接回顾：

时间序列分析的过程和目的如下图所示。比照其它数据分析方法，可以发现，时间序列分析的第一步依旧是描述数据，因为只有通过对数据的描述，才能清楚的掌握手头数据的特性，为接下来的数据分析方法选择做好准备。草堂君今天要介绍的就是时间序列的描述及SPSS的时间序列描述功能实现。

时间序列分析步骤

从上方的时间序列分析过程及目的可以知道，时间序列分析大致分成三大部分，分别是描述过去、分析规律和预测未来，这是时间序列分析的宏观过程。为了帮助大家更加清晰的掌握时间序列分析的步骤，草堂君在这里对时间序列分析的具体步骤做进一步拆解：

• 作时间序列图；

• 判断时间序列包含的变动成分；

• 时间序列分解（如果包含长期趋势、季节变动和循环变动）；

• 建立时间序列分析模型；

• 预测未来的指标数值；

从以上五个步骤可知，第一、二步属于描述过去，最后一步属于预测未来，而中间步骤属于分析规律建立模型部分。本篇文章接下来要介绍的就是时间序列分析的第一步：描述时间序列，并判断时间序列所包含的变动成分。

 

上篇文章介绍过，时间序列可以分解成四种变动成分：长期趋势变动、季节变动、循环变动和不规则变动，这些变动可能同时存在于一个时间序列中，也可能只包含其中几种变动成分，因此首先需要通过描述时间序列，确定时间序列所包含的变动成分。

时间序列描述及分类

上篇文章中介绍过，根据指标数值的不同，时间序列可以分为时期时间序列和时点时间数列。而本篇介绍的时间序列分类角度是平稳性，根据平稳性的不同，时间序列可以分为平稳性时间序列和非平稳性时间序列。

• 平稳时间序列：该时间序列基本不存在长期趋势，每个观察值基本都围绕某个固定的数值上下波动；虽然存在波动，但是波动并不存规律（不是季节变动和循环变动），而是随机波动（不规则变动）。

• 非平稳时间序列：该时间序列可以分成四种，只包含长期趋势、季节变动和循环变动的时间序列和包含三种变动中两种或三种的时间序列，也就是复合型时间序列。

从上方的时间序列图可知，不同的时间序列包含着不同的变动成分，有只包含不规则变动的平稳时间序列，也有包含季节变动、长期趋势和不规则变动的复合型时间序列。通过对时间序列的图形描述，并结合实际的生活经验，分析者能够大概判断时间序列包括哪些变动成分。描述时间序列是时间序列分析的第一步。

分析方法选择

上一篇文章介绍过，四种变动成分需要运用不同的方法从时间序列中分解出来，这里就不再赘述。因为时间序列所包含的变动成分不同，所以使用的分析方法（时间序列分解）的种类和数量也会不同，这些分析方法的不同组合就组成了时间序列的各种分析法。

案例分析

现有一个小型服装销售公司从2012年到2016年的销售额数据，销售额数据是按照季度记录的。将销售额数据整理并录入SPSS，录入结果如下图所示：

分析步骤

1、定义日期和时间；时间序列包含两个组成成分，其中一个就是时间因素。SPSS提供了快速生产时间变量的菜单，选择菜单【数据】-【定义日期和时间】，跳出下方对话框，根据数据记录的实际情况选择时间变量类型和起始期。点击【确定】后，输出结果。结果如上图红框内所示，共包括三个变量：年（YEAR_）、季度（QUARTER_）和字符型日期（DATE_）。

2、制作序列图；描述时间序列的一个重要内容就是制作序列图，选择菜单【分析】-【时间序列预测】-【序列图】，在跳出的对话框中进行下列操作。将销售额选入变量框，将字符型的DATE_选为时间轴标签。

3、点击【确定】，输出结果。

结果解释

下图是输出的结果：时间序列图。根据前面介绍的时间序列内容可以知道，下方的时间序列图包括长期趋势、季节变动和不规则变动。根据季节变动和循环变动的区别，循环变动是一种近乎规律性的从低至高再从高至低的周而复始的变动，变动周期大于1年，且周期长度、变动形态、波动幅度都不固定，，由此判断本时间序列不包含循环变动成分。

该时间序列包含的长期趋势应该是线性的长期增长趋势；季节变动非常明显，第一节度和第四季度明显低于第二和第三季度的销售额；除此之外，还可以知道，随着时间的推移，波动的幅度越来越大，因此可以判断，该销售额时间序列的模型应该是乘法模型，也就是销售额会等于长期趋势*季节变动*不规则变动。

接下来的文章将介绍使用几种不同的时间序列分析模型对该时间序列进行分析，并比较各种分析模型的效果，以及如何使用分析模型对未来的销售数据进行预测。

温馨提示：

• 数据分析咨询，请点击首页下方“互动咨询”板块，获取咨询流程！