&p&&b&这个可能是最全的兼职赚钱渠道盘点：&/b&&/p&&p&&br&&/p&&p&首先当然是我们自己
&b&&a href=&//link.zhihu.com/?target=http%3A//www.freemancn.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&自由人-自由职业者协作平台&/a&，&/b&你可以在我们这儿找到很多远程工作，如果技能不过关，还可以习得一门适合兼职的技能。&/p&&p&关注我们的公众号&b&【自由人协作平台】，&/b&按要求回复XX技能，可以免费获得文案，ps，视频剪辑，office，程序设计，建筑设计等技能培训包。&/p&&p&下面是其他的平台盘点：&/p&&p&&b&第一大类：问卷调查：&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-ddbf9ac0781f_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&960& data-rawheight=&165& class=&origin_image zh-lightbox-thumb& width=&960& data-original=&https://pic1.zhimg.com/50/v2-ddbf9ac0781f_r.jpg&&&/figure&&p&一些最容易做的问卷调查类工作（做问卷要由着发布人的性子来，不要太实在，你们懂得）&/p&&p&&br&&/p&&p&&b&e调查&/b&
日本的问卷调查网站，累计到10块钱就可以提现，通过率应该是问卷调查类网站里面最高的了，但是任务数量较少，更新的频率太慢&br&&/p&&p&&br&&/p&&p&&b&Clixsense&/b& 美国的问卷调查网站，问卷数量多，单一价格比较高，熟悉英文的朋友可以试试，但是要有Visa或者paypal账号，通过率也比较低&/p&&p&&br&&/p&&p&&b&收奖网&/b& 国内有代表性的问卷调查平台，最大的优点是提现实时到账，这是其他网站没有的，一般至少要等两三天吧。缺点：还是问卷审核时间长，积分到账慢&br&&/p&&p&&br&&/p&&p&&b&爱调查&/b& 这个网站也是国内比较好的问卷调查文啊，做问卷赢得积分，可以兑换实物，也可以兑换现金或者话费充值卡，最主要的是它的问卷有和其他问卷平台重复性很高的问卷。&/p&&p&&br&&/p&&p&&b&Surveymoney&/b& 国外的很有代表性的问卷调查平台，很多留学生在做这个，国外的这一类平台最不好的一点就是提现困难，但是回报高。&/p&&p&&br&&/p&&p&技巧：&/p&&p&做问卷调查，一定不要胡乱填写，人家要求在校大学生问卷调查，你就不能把自己年龄写到30岁。&/p&&p&不要填写的过快，问卷调查平台后台会监测时间，过快填完的基本上都过不了。&/p&&p&答题之前注意通过它的标题，文字内容第一时间判定这道题针对的年龄，人群，问卷想要达到什么目的，回答的时候按照人家的思路回答，成功的机会才高，比如人家是问关于网上购物的问卷，年龄你当然要填18--30这个喜欢网上购物的年龄段。&/p&&p&&br&&/p&&p&第二大类
&b&翻译类&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-894b848b69cab0a114f703fa0e4df6aa_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&662& data-rawheight=&225& class=&origin_image zh-lightbox-thumb& width=&662& data-original=&https://pic4.zhimg.com/50/v2-894b848b69cab0a114f703fa0e4df6aa_r.jpg&&&/figure&&p&首先，国外的两个比较大，也是世界上比较知名的跨境翻译平台&/p&&p&&br&&/p&&p&1，&b&Proz&/b&，这个翻译平台很老了，很多人还是中学生的时候，他就已经做得很知名了，许多国内大牌的翻译都是这个平台的早期用户，很多人还参与过它的国内页面翻译。&/p&&p&&br&&/p&&p&2，&b&Gengo&/b&，这个平台跟Proz比较起来，优势在于单一价格比较高，每个翻译任务预算都很有吸引力，有很多中国人在上面抢着做任务，以至于有一点时间中英翻译直接关闭了。现在很少有中国人能抢到任务了，但是还是推荐一试。&/p&&p&&br&&/p&&p&国内的，怎么说呢，如果能做国外的，尽量做国外的吧！&/p&&p&&br&&/p&&p&1，&b&有道人工翻译&/b&，差不多0.11元每个字，翻译任务不是那么充足，多数被有道的那个智能翻译抢了，但是做过的都反馈还是挺靠谱的，翻译的回报可以赚京东豆。&/p&&p&&br&&/p&&p&2，&b&语翼翻译，&/b&语种比较丰富，各个小语种都会有相应的任务，通常简历翻译比较多，支付方面做的也还可以。&/p&&p&&br&&/p&&p&3，&b&做到网&/b&，被阿里巴巴收入麾下了，可以直接用淘宝账号登陆，可以根据自己的兴趣和能力选择相应的项目随时开始工作，并获得相应的收入。做到! 的工作内容集中在翻译领域，涉及到中英、英中、日中、法中、俄中、西中、葡中的互译。&/p&&p&&br&&/p&&p&翻译类没有什么技巧，主要看基本功，翻译能力越扎实，受欢迎程度越高。&/p&&p&&br&&/p&&p&第三大类
&b&摄影类&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-3a8916bfa690c68aa260_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&983& data-rawheight=&305& class=&origin_image zh-lightbox-thumb& width=&983& data-original=&https://pic4.zhimg.com/50/v2-3a8916bfa690c68aa260_r.jpg&&&/figure&&p&&b&Istockphoto&/b&&/p&&p&目前比较好的照片销售网站，采用会员制订购销售，允许用户在～定期限内下载使用一定数量的高质量图片摄影师可以从每张图片的销售中得到0.25美元的提成。审核和图片要求一般，优势是见效快，上的片子一般很快就有下载&/p&&p&&br&&/p&&p&&b&Fotolia&/b&&/p&&p&初级摄影师每张图售价1美元，当你有了足够数量的照片销售出去后，就可以自己定价了，根据照片的素材和质量可以选择几美金的价格。&/p&&p&&br&&/p&&p&&b&Shutterstoct&/b&&/p&&p&以订阅的方式，销售图片，用户可以在一定的时间内下载一定数量的照片，摄影师可以获得每张图0.25美元的提成&/p&&p&&br&&/p&&p&&b&Dreamstime&/b&&/p&&p&在国内知名度比较高的照片销售网站，可以选择免费和收费两种模式，对照片的审核要求一般，图片库的数量比较可观&/p&&p&&br&&/p&&p&国内的&/p&&p&&b&全景网&/b&，上传了好多照片至今没有收到任何卖出的消息&/p&&p&&br&&/p&&p&&br&&/p&&p&第四大类&b&
设计类&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-a6595bcbda6fdd81eee21d_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&200& data-rawheight=&120& class=&content_image& width=&200&&&/figure&&p&1，&b&Dribbble&/b&，知名度相当高了吧，很多篮球迷可能更熟悉一些。不能算是一个简单的设计师找活的平台，应该是一个设计师交流平台，可以找创意，找灵感，当然也可以找活，只要作品能吸引眼球，就不怕没有人找你。&/p&&p&&br&&/p&&p&2, &b&99design&/b&，这个是纯纯的设计师兼职的平台，基本上涵盖了所有创意设计的门类，logo，网站，图片，画册，插画等等，跟创意相关的设计师，可以试试。&/p&&p&&br&&/p&&p&3，&b&Behance&/b&，Adobe旗下的设计师交流平台，上面可以直接找工作，好处就是有中文网站，但是如果用的不是正版Adobe，发作品还是小心一点。&/p&&p&&br&&/p&&p&国内的，英文稍微差点的，国内的设计师平台也还不错，毕竟国内对版权的重视程度越来越高了&/p&&p&&br&&/p&&p&1，&b&站酷，&/b&小编觉得是国内最好的设计师灵感创意平台，很多高手汇集在这个上面，而且以前可以直接把自己的联系方式也公开，让有需求的人可以很快的找到你。找创意，找灵感是个不错的选择。&/p&&p&&br&&/p&&p&2，&b&小筑，&/b&这个可能大家都没听过，是一个建筑设计师接活的平台，因为有一段时间民宿设计需求很大，所以应运而生了这个地方，现在也还有跟建筑设计相关的任务。&/p&&p&&br&&/p&&p&第五大类，&b&数据标注，测评&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-bf652b38c9fc992ec210_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&936& data-rawheight=&269& class=&origin_image zh-lightbox-thumb& width=&936& data-original=&https://pic3.zhimg.com/50/v2-bf652b38c9fc992ec210_r.jpg&&&/figure&&p&1，&b&百度众测&/b&，上面的任务相对比较简单，类型也很多，不只是数据标注，还是很多文章分类，图片分类等等简单，操作性强的任务。&/p&&p&&br&&/p&&p&2，&b&新浪众测&/b&，新产品第一时间测评网站，又很多新奇有意思的数码产品，等着你去测评，当然能不能做，主要看运气。除了测评还有试用，上面也有很多生活用品可以选择。申请了之后，按照要求撰写报告，就可以拿到积分。&/p&&p&&br&&/p&&p&3，&b&数据堂标注&/b&，把未处理的初级数据，音频，视频，文字，图片等转换为机器可识别的样式，比较简单，但是繁琐。&/p&&p&&br&&/p&&p&4，&b&爱标客&/b&，跟上面的数据堂一个类型，不多介绍。&/p&&p&&br&&/p&&p&&br&&/p&&p&第六大类，&b&文案类&/b&&/p&&p&&br&&/p&&p&文案这个基本上不用介绍，到公众号直接投稿是最有效的途径。（截取我们公众号福利，投稿资源包的一部分，获取更多可以关注我们&b&【自由人协作平台】&/b&）&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-029d14f204fa245f7d950f76a3a80838_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&678& data-rawheight=&780& class=&origin_image zh-lightbox-thumb& width=&678& data-original=&https://pic1.zhimg.com/50/v2-029d14f204fa245f7d950f76a3a80838_r.jpg&&&/figure&&p&&br&&/p&&p&还有很多大家耳熟能详的平台，就不列举了，竞争比较大。后面还会有很多新的推荐，等我慢慢更新吧，收藏的也记得点个赞。。。。。。&/p&&p&&/p&&p&&/p&
这个可能是最全的兼职赚钱渠道盘点： 首先当然是我们自己 ，你可以在我们这儿找到很多远程工作，如果技能不过关，还可以习得一门适合兼职的技能。关注我们的公众号【自由人协作平台】，按要求回复XX技能，可以免费获得文案，ps，…
&figure&&img src=&https://pic3.zhimg.com/v2-b343a9b477ae49b1d98d3d_b.jpg& data-rawwidth=&413& data-rawheight=&415& class=&content_image& width=&413&&&/figure&&p&一个人的价值&/p&&p&不应该看他取得了什么&/p&&p&而应当看他贡献了什么&/p&&br&&p&...&/p&&br&&p&她是被世界誉为&strong&“核物理女王”&/strong&的中国女人&/p&&p&她也是&strong&第一位当选美国物理学会会长&/strong&的女性科学家&/p&&p&她还是在美国研制第一颗原子弹&strong&“曼哈顿计划”&/strong&中，发挥重大作用的华人女科学家&/p&&figure&&img src=&https://pic2.zhimg.com/v2-b343a9b477ae49b1d98d3d_b.jpg& data-rawwidth=&413& data-rawheight=&415& class=&content_image& width=&413&&&/figure&&br&&p&图：吴健雄&/p&&p&她利用β衰变实验，验证了杨振宁、李政道的“在弱相互作用下宇称不守恒理论”&/p&&p&&strong&使两人成为首次获得诺贝尔奖的华人&/strong&，自己却阴差阳错地与诺奖失之交臂&/p&&p&对于一生获得荣誉无数，她只有淡然一句“我并不是为了争得荣誉才去做学问和实验的”&/p&&p&&figure&&img src=&https://pic3.zhimg.com/v2-05bc040d024dd829f6bbee_b.jpg& data-rawwidth=&300& data-rawheight=&391& class=&content_image& width=&300&&&/figure&图：吴健雄&/p&&p&她有一个非常男性化的名字——&strong&吴健雄&/strong&&/p&&p&就是这个气宇轩昂的名字带着这位小女子，在那个男性主宰的社会，大放异彩&/p&&p&1912年，吴健雄出生于江苏省苏州太仓浏河镇&/p&&p&她的父亲吴仲裔是一位忧国忧民的知识分子，思想十分开明，更是不受重男轻女的社会风气影响&/p&&p&他对自己的孩子一视同仁，同样鼓励女孩子上学和自强不息&/p&&p&&figure&&img src=&https://pic2.zhimg.com/v2-1d0d47cc385c88ba2323bdbc7be5ea81_b.jpg& data-rawwidth=&338& data-rawheight=&383& class=&content_image& width=&338&&&/figure&图：父亲吴仲裔与母亲樊复夏合照&/p&&p&在父亲的帮助下，吴健雄11岁的时候就到离家50里远的苏州第二女子师范求学&/p&&p&1928年5月，&strong&胡适&/strong&来到苏州女校做了一次题为《摩登的妇女》的演讲&/p&&p&而恰好当时吴健雄是负责做演讲记录的&/p&&p&当时吴健雄第一次听到这位留过洋、代表着新思想的胡适演讲&/p&&p&这让她大开眼界，“思绪澎湃，激动不已”&/p&&p&此时她也暗下决心，势必要做出一副大事业&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-512e32ab0c1_b.jpg& data-rawwidth=&350& data-rawheight=&453& class=&content_image& width=&350&&&/figure&&p&图：胡适与吴健雄合照&/p&&p&之后她还获得一次机会到胡适任教的中国公学读书&/p&&p&在那里她也成为了胡适的得意门生&/p&&p&关于吴健雄和胡适之间有一件趣事&/p&&p&有一次考试，吴健雄只用了不到两个小时就完成了本来三个小时的考试，而且答卷非常完美&/p&&p&胡适兴奋地把卷子送到教务处，而当时恰好杨鸿烈和马君武两位名师也在&/p&&p&他们两人也说，自己班上也有一个女生几乎次次考试都拿一百分&/p&&p&于是三人对了一下名字，这个女学生的名字都是吴健雄&/p&&figure&&img src=&https://pic1.zhimg.com/v2-ce7be9d7d20_b.jpg& data-rawwidth=&287& data-rawheight=&389& class=&content_image& width=&287&&&/figure&&p&在1929年，吴健雄以优异的成绩毕业于苏州女校并保送到国立中央大学（当时江南最高学府，南京大学前身）的数学系&/p&&p&在一年后转到物理系攻读，师从居里夫人的学生近代物理学家施士元&/p&&p&1934年，吴健雄从中央大学毕业，先后到浙江大学及中央研究院工作了两年&/p&&p&但是拥有雄心壮志的她怎么可能就止步于此呢&/p&&p&在1936年，吴健雄得到叔叔的资助后，与林语堂等同乘“胡佛总统号”游轮远渡美国攻读物理学博士学位&/p&&p&&figure&&img src=&https://pic2.zhimg.com/v2-db2bedae0ac40bc93d01ddc9_b.jpg& data-rawwidth=&272& data-rawheight=&408& class=&content_image& width=&272&&&/figure&图：吴健雄出国前与父母亲的合照&/p&&p&她选择了加州大学伯克利分校——有着世界完备而先进的实验设备且还是物理大师云集的地方&/p&&p&如发明回旋加速器的劳伦斯、被称为“原子弹之父”的“曼哈顿计划”领导人奥本海默&/p&&p&在这里，吴健雄的物理才能日渐增长&/p&&p&1939年吴健雄和赛格瑞教授开始合作一起做实验和研究&/p&&p&他们当时研究的项目是“探究铀原子核分裂的产物”&/p&&p&&figure&&img src=&https://pic1.zhimg.com/v2-b66f713e2e67bd544fb4da532f8149a8_b.jpg& data-rawwidth=&268& data-rawheight=&323& class=&content_image& width=&268&&&/figure&图：吴健雄在实验室&/p&&p&由于赛格瑞教授去了纽约探望好友的原因&/p&&p&吴健雄只能单独地完成了这个“探究铀原子核裂变产物”的实验&/p&&p&其中有一个成果便是发现在铀原子核裂变会产生放射性同位素氙-135&/p&&p&这种&strong&同位素对中子有一定的吸收性&/strong&&/p&&p&这个结果后来在“曼哈顿计划”起了非常重要的作用&/p&&p&&figure&&img src=&https://pic2.zhimg.com/v2-5e5f311f1dd234b0a3885_b.jpg& data-rawwidth=&260& data-rawheight=&310& class=&content_image& width=&260&&&/figure&图：吴健雄在实验室&/p&&p&在1940年，吴健雄的博士学位论文还被刊登在物理学界最权威的《物理评论》上&/p&&p&她在核子物理研究方面脱颖而出&/p&&p&成为物理学界一颗冉冉升起的新星，光彩夺目&/p&&p&此时吴健雄已经被劳伦斯、赛格瑞和奥本海默等一行杰出物理学家认为是物理界第一流的实验物理学家&/p&&p&即便如此，身为中国女人的她仍不能在别的大学里面谋得一个职，她只能留在实验室继续做研究员 &/p&&figure&&img src=&https://pic4.zhimg.com/v2-de830ed05aecf_b.jpg& data-rawwidth=&350& data-rawheight=&530& class=&content_image& width=&350&&&/figure&&p&在伯克利大学时，吴健雄就遇到了相守一生的同为物理学家的丈夫&strong&袁家骝——袁世凯次子袁克文的儿子&/strong&&/p&&p&日，吴健雄与相识六年的袁家骝结为夫妻&/p&&p&当时同在美国求学的钱学森也来见证了这段美好姻缘，还为他们的婚礼拍了一部小电影&/p&&figure&&img src=&https://pic1.zhimg.com/v2-617b6ff71bc0815afdb8_b.jpg& data-rawwidth=&594& data-rawheight=&439& class=&origin_image zh-lightbox-thumb& width=&594& data-original=&https://pic1.zhimg.com/v2-617b6ff71bc0815afdb8_r.jpg&&&/figure&&p&图?：吴健雄与袁家骝婚礼&/p&&p&就在吴健雄结婚的同年六月&/p&&p&美国为了先于纳粹制成首枚原子弹，聚集了当时西方世界上最杰出的科学家开始实施“曼哈顿计划”&/p&&p&此时吴健雄因为没有美国国籍而没被邀请参加“曼哈顿计划”&/p&&p&她在这段时间曾先后到史密斯学院和普林斯顿大学担任讲师&/p&&p&但是“曼哈顿计划”开展到一半便遇到了让这些世界级的科学界一筹莫展的难题&/p&&figure&&img src=&https://pic3.zhimg.com/v2-51f773abdb47f00cf413e_b.jpg& data-rawwidth=&750& data-rawheight=&479& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic3.zhimg.com/v2-51f773abdb47f00cf413e_r.jpg&&&/figure&&p&图：吴健雄博士&/p&&p&这个难题就是核爆炸引燃容易，但在核爆炸之后理论应该产生的链式反应却突然中断了——&strong&因为大多数的中子都消失了&/strong&&/p&&p&中子消失了原子核裂变链锁反应就会停止，那到底是什么原因会让中子离奇失踪呢？&/p&&p&这个现象让奥本海默和费米等一行科学家非常费解&/p&&p&于是他们想是不是在核裂变的过程中产生了什么物质把中子吸收了呢？&/p&&p&&figure&&img src=&https://pic1.zhimg.com/v2-89bf39eb5fb81a_b.jpg& data-rawwidth=&230& data-rawheight=&300& class=&content_image& width=&230&&&/figure&图：奥本海默&/p&&p&奥本海默突然想起吴健雄曾经做过关于铀原子核分裂的产物的实验研究&/p&&p&他作为“曼哈顿计划”的总负责人立马找到了吴健雄，把这个难题交给他心目最权威的&strong&核物理学女王&/strong&&/p&&p&1944年起，吴健雄作为一位没有美国国籍的中国女科学家加入到曼哈顿计划中&/p&&p&她负责的工作是最关键、最机密的难题部分&/p&&p&后来她开发出了一种用于隔离在核裂变中产生的放射性同位素氙-135的装置&/p&&p&&strong&把消失的中子找了回来，使这颗原子弹能够顺利爆炸&/strong&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-e74fa8bbb5b24fb9d4454adb2a116342_b.jpg& data-rawwidth=&628& data-rawheight=&268& class=&origin_image zh-lightbox-thumb& width=&628& data-original=&https://pic3.zhimg.com/v2-e74fa8bbb5b24fb9d4454adb2a116342_r.jpg&&&/figure&&p&但美国对于这一部分的历史很多时候是选择避而不提的&/p&&p&因为在那个国籍歧视、女性歧视的美国科学界&/p&&p&吴健雄有这般建硕确实是挺让人不想面对的&/p&&p&这事直到1992年，哥伦比亚大学授予吴健雄美国理工界最高荣誉的普宾奖金时&/p&&p&这个秘密才得以公之于众，吴健雄才拥有了&strong&“第一颗原子弹的助产士”&/strong&的称号&/p&&figure&&img src=&https://pic4.zhimg.com/v2-320fbcf183faf60e8f4b9d4af196046f_b.jpg& data-rawwidth=&300& data-rawheight=&474& class=&content_image& width=&300&&&/figure&&p&但是吴健雄最突出的贡献并不是在制造原子弹上面&/p&&p&而是用实验验证了杨振宁和李政道提出的“宇称不守恒”的假设&/p&&p&使这两位科学家获得了华人的第一个诺贝尔奖&/p&&p&在微观世界里有一条被全世界科学家认定的金科玉律——“宇称守恒定律”，通俗地说就是左右对称原理&/p&&p&但是杨振宁和李政道却对这条“不容置疑”的定律产生了怀疑&/p&&p&然而怀疑也只是一个假设，没有实验支持永远只能是一副空壳&/p&&p&&figure&&img src=&https://pic3.zhimg.com/v2-a3f1f279bed7907ace32_b.jpg& data-rawwidth=&500& data-rawheight=&400& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic3.zhimg.com/v2-a3f1f279bed7907ace32_r.jpg&&&/figure&&br&图：李政道与杨振宁&/p&&p&作为理论物理学家的杨和李那时候找了许多实验物理学家，想与他们合作验证自己的假设&/p&&p&但是因为当时的科学界认为“宇称守恒”是不可能推翻的&/p&&p&再加之要完成这个实验也是极度困难和费时间的&/p&&p&在权衡利弊之后，很多科学家都不愿意与杨、李合作&/p&&p&所以杨和李便找到了同是华人老乡又是“β衰变的权威”的吴健雄&/p&&p&&figure&&img src=&https://pic1.zhimg.com/v2-d2b89c24c_b.jpg& data-rawwidth=&296& data-rawheight=&414& class=&content_image& width=&296&&&/figure&图：吴健雄&/p&&p&当时吴健雄的老师泡利也极力劝阻她&/p&&p&认为她的才能不应该浪费时间在这些显而易见不成立的实验上&/p&&p&因为他觉得“上帝不可能是个软弱的左撇子”&/p&&p&甚至还敢跟别人打赌吴健雄这个实验不会成功&/p&&p&吴健雄却顾不得这么多，她立马放下本来要与丈夫旅行演讲，一头栽进实验室做实验&/p&&p&&figure&&img src=&https://pic1.zhimg.com/v2-2dfce1864_b.jpg& data-rawwidth=&236& data-rawheight=&294& class=&content_image& width=&236&&&/figure&图：泡利与吴健雄&/p&&p&吴健雄设计了一个极化核钴60β衰变的实验去检验宇称是否守恒&/p&&p&这个实验在技术上是相当困难的，不单要进行β衰变，而且还需要在极低温的环境下才能进行进一步的观察&/p&&p&当时她居住在纽约，而拥有制造极低温环境设备的国家标准局却在华盛顿&/p&&p&她在做实验期间一直穿梭来回于华盛顿和纽约之间&/p&&p&一天的睡眠时间也只有三四个小时&/p&&p&实验室里面放着些饼干和面包， 饿了就吃，吃了继续做实验&/p&&figure&&img src=&https://pic4.zhimg.com/v2-bd4a3ceb57925e4cfa24f_b.jpg& data-rawwidth=&460& data-rawheight=&551& class=&origin_image zh-lightbox-thumb& width=&460& data-original=&https://pic4.zhimg.com/v2-bd4a3ceb57925e4cfa24f_r.jpg&&&/figure&&p&黄天不负有心人，经过一遍又一遍的尝试，一次又一次的验证&/p&&p&吴健雄的实验取得了初步的成功——&strong&“β射线的不对称现象非常明显”&/strong&&/p&&p&为了证明这个实验万无一失&/p&&p&她还设计了多个方案来否定自己已经取得的结果&/p&&p&在多次“否定”无果后，吴健雄才把自己的实验结果正式在美国物理学会上公布&/p&&p&&strong&流行多年的“宇称守恒定律”被彻底推翻，整个科学界都为之震惊&/strong&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-0d03e6fc14e6f1e804d7eaad6d976999_b.jpg& data-rawwidth=&350& data-rawheight=&492& class=&content_image& width=&350&&&/figure&&p&图：吴健雄和她的实验合作者在一起&/p&&p&如果没有吴健雄的出现，这条谬误了这么多年的定律该让多少物理学研究停滞不前啊&/p&&p&1957年瑞典皇家科学院把诺贝尔奖颁发给了杨振宁和李政道，却把当之无愧与杨、李共享此荣誉的吴健雄拒之门外&/p&&p&这使很多人都感到非常意外和不满&/p&&p&但是她本人却很淡然地说：虽然这件事情深深的伤害了我，但是我并不是为了争得荣誉才去做学问和实验的，何况我还得到了很多承认我的奖誉&/p&&br&&p&&figure&&img src=&https://pic2.zhimg.com/v2-c0d69fbeaaabf1edb9e8e9_b.jpg& data-rawwidth=&376& data-rawheight=&246& class=&content_image& width=&376&&&/figure&图：袁家骝与吴健雄&/p&&p&确实，吴健雄一生得到过的奖项也是多到数不完&/p&&p&除诺贝尔奖以外几乎所有重大的国际奖项她都获得过&/p&&p&1975年，吴健雄还当选美国物理学会会长，&strong&这是美国物理学会历史上第一位女会长&/strong&&/p&&p&他还曾先后担任美国国家科学院院士、麦丁堡皇家科学院院士、中国科学院首批外籍院士、台湾中央研究院院士等&/p&&figure&&img src=&https://pic2.zhimg.com/v2-ee3cc0a6fd_b.jpg& data-rawwidth=&400& data-rawheight=&313& class=&content_image& width=&400&&&/figure&&p&图：1973年，周恩来总理接见物理学家袁家骝及夫人吴健雄&/p&&p&吴健雄虽大半辈子都在国外，但是她却盼望着能够回家走走&/p&&p&但是每次想要动身，总是有诸事烦人阻挠&/p&&p&1973年中美关系得以缓和&/p&&p&吴健雄才能排除万难在丈夫袁家骝的陪同下重返阔别37年的祖国&/p&&p&那时她还特地把当初离开中国时穿得那件旗袍找出来穿上&/p&&figure&&img src=&https://pic2.zhimg.com/v2-7cf3f0039_b.jpg& data-rawwidth=&400& data-rawheight=&400& class=&content_image& width=&400&&&/figure&&p&尽管年已老迈，吴健雄仍然不遗余力地奔走在美国和中国之间指导国内科研和教育事业&/p&&p&1986年，吴健雄还捐出自己所有积蓄成立吴仲裔奖学基金，鼓励中国学生奋发图强&/p&&p&日，吴健雄在纽约病逝，终年85岁&/p&&p&遵照吴健雄本人遗愿，丈夫袁家骝将其骨灰带回祖国，落叶归根&/p&&br&&figure&&img src=&https://pic4.zhimg.com/v2-9beb2c20c4b1e7ee2d7dff_b.jpg& data-rawwidth=&359& data-rawheight=&500& class=&content_image& width=&359&&&/figure&&br&&p&生命之所以有意义是因为它会停止&/p&&p&而时间有意义是因为它能记住一个人给予世界的馈赠&/p&&br&&p&这个外表柔弱的中国女人，永远刚强地屹立着&/p&&p&到现在还是像那颗以她命名的“吴健雄星”一样熠熠生辉，照耀着我们&/p&&p&&strong&她不仅证明了微观世界中的“宇称不守恒”&/strong&&/p&&p&&strong&同时还证明了在科学世界中男性与女性的“宇称守恒”&/strong&&/p&
一个人的价值不应该看他取得了什么而应当看他贡献了什么 ... 她是被世界誉为“核物理女王”的中国女人她也是第一位当选美国物理学会会长的女性科学家她还是在美国研制第一颗原子弹“曼哈顿计划”中，发挥重大作用的华人女科学家 图：吴健雄她利用β衰变实验…
&p&后后后记：&/p&&p&我很反感抄袭的行为，谢绝任何形式的转载。&/p&&p&后后记：&br&&/p&&p&更新了部分丑陋的代码。&/p&&p&后记：&/p&&p&本文纯属娱乐，贴代码是方便大家自己去玩一下。&/p&&p&当初我也是某个周日无事，花了半天把这东西搞出来，让内行见笑那是自然的，不懂的看个热闹就好，也不用觉得神奇，这里用的大部分是一些经典的机器学习算法，前沿什么的基本上不沾边。&/p&&p&是的，的确没啥价值，大家娱乐一下就好嘛，那么较真就不好玩了。&/p&&p&本丹师忙着炼丹，就不一一回复了。谢谢观看，祝好！&/p&&p&&br&&/p&&p&&br&&/p&&p&金庸老爷子一共写了15部武侠小说，它们分别是：&br&&/p&&ul&&li&《飞狐外传》（1960年）&/li&&li&《雪山飞狐》（1959年）&/li&&li&《连城诀》（1963年）&/li&&li&《天龙八部》（1963年）&/li&&li&《射雕英雄传》（1957年）&/li&&li&《白马啸西风》（1961年）&/li&&li&《鹿鼎记》（1969年）&/li&&li&《笑傲江湖》（1967年）&/li&&li&《书剑恩仇录》（1955年）&/li&&li&《神雕侠侣》（1959年）&/li&&li&《侠客行》（1965年）&/li&&li&《倚天屠龙记》（1961年）&/li&&li&《碧血剑》（1956年）&/li&&li&《鸳鸯刀》（1961年）&/li&&li&《越女剑》（1970年）&/li&&/ul&&p&我们现在就用 Python 来探索一下金庸小说中的武侠世界吧。&/p&&p&在处理小说之前，我们需要先做一些准备工作。&/p&&p&因为涉及中文字符，所以我们使用 __future__ 中 Python 3 的特性，将所有的字符串转为 unicode。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&from __future__ import unicode_literals
&/code&&/pre&&/div&&p&再来我们解决图像里中文字符显示的问题，Matplotlib虽然支持 unicode 编码，但是直接输出中文字体会出现问题。&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&import numpy as np
import scipy as sp
import matplotlib.pyplot as plt
%matplotlib inline
x = range(10)
plt.plot(x)
plt.title(&中文&)
plt.show()
&/code&&/pre&&/div&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/a6c4b6772c2bcc7a3cf5b204a8234a31_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&362& data-rawheight=&266& class=&content_image& width=&362&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&出现上图的原因是它找不到合适的中文字体去显示中文，为此，我们可以去寻找一些支持中文的字体来进行设置。&/p&&p&Windows 7 及以上的系统中，字体位置为 C:/Windows/Fonts，例如：&/p&&ul&&li&宋体：C:/Windows/Fonts/simsun.ttc&/li&&/ul&&p&Linux 系统可以通过 fc-list 命令查看已有的字体和相应的位置，例如：&/p&&ul&&li&/usr/share/fonts/truetype/osx-font-family/Songti.ttc: Songti TC,宋體\-繁,宋体\-繁:style=Bold,粗體,粗体&/li&&li&/usr/share/fonts/truetype/osx-font-family/Devanagari Sangam MN.ttc: Devanagari Sangam MN,???????? ???? ??????:style=Bold,粗體,Fed,Fett,Puolilihava,Gras,Grassetto,ボールド,???,Vet,Fet,Negrito,Жирный,?????,粗体,Negrita&/li&&li&/usr/share/fonts/truetype/osx-font-family/Iowan Old Style.ttc: Iowan Old Style,Iowan Old Style Black:style=Black Italic,Italic&/li&&/ul&&p&也可以从网上直接下载字体&/p&&ul&&li&比如 Yahei Consolas 的字体 YaHei.Consolas.1.11b.ttf。&/li&&/ul&&p&找到了字体的位置，我们可以使用 matplotlib.font_manager 中的 FontProperties 导入字体：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&font_xxx = FontProperties(fname=&/usr/share/fonts/truetype/osx-font-family/Songti.ttc&)
font_xxx = FontProperties(fname=&C://Windows//Fonts//simsun.ttc&)
&/code&&/pre&&/div&&p&为了方便，我们不使用字体的绝对路径导入，而是将需要的字体放在程序对应的文件夹下：&/p&&ul&&li&YaHei.Consolas.1.11b.ttf&/li&&/ul&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&from matplotlib.font_manager import FontProperties
font_yahei_consolas = FontProperties(fname=&YaHei.Consolas.1.11b.ttf&)
&/code&&/pre&&/div&&p&&br&&/p&&p&在绘图的时候进行设置：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&x = range(10)
plt.plot(x)
plt.title(&中文&,
fontproperties=font_yahei_consolas,
fontsize=14)
plt.show()
&/code&&/pre&&/div&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/a9f61cf1e3ea9bfced82fa_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&362& data-rawheight=&267& class=&content_image& width=&362&&&/figure&&p&&br&&/p&&p&我们从网上找到金庸小说的 txt 全文，放在 novels 文件夹中：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&!ls novels
书剑恩仇录.txt 天龙八部.txt 碧血剑.txt
越女剑.txt
飞狐外传.txt
侠客行.txt 射雕英雄传.txt 神雕侠侣.txt
连城诀.txt
鸳鸯刀.txt
倚天屠龙记.txt 白马啸西风.txt 笑傲江湖.txt
雪山飞狐.txt
鹿鼎记.txt
&/code&&/pre&&/div&&p&接着，我们先找到金庸小说中所有出场的人物，放到 names.txt 文件中，其格式为：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&小说1
人物1 人物2 ……
人物1 人物2 ……
人物1 人物2 ……
&/code&&/pre&&/div&&p&除此之外，另外有两个文本记录出场的门派（bangs.txt）和武功（kongfu.txt），用回车隔开。&br&&/p&&p&&br&&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&import codecs
with codecs.open('names.txt', encoding=&utf8&) as f:
# 去掉结尾的换行符
data = [line.strip() for line in f]
novels = data[::2]
names = data[1::2]
novel_names = {k: v.split() for k, v in zip(novels, names)}
for name in novel_names['天龙八部'][:20]:
print name
&/code&&/pre&&/div&&p&我们来看看人物在小说中的出场次数统计。&/p&&p&显然出场次数越多，自然主角光环越强，我们定义一个函数寻找小说中主角光环最强的几个人：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def find_main_charecters(novel, num=10):
with codecs.open('novels/{}.txt'.format(novel), encoding=&utf8&) as f:
data = f.read()
chars = novel_names[novel]
count = map(lambda x: data.count(x), chars)
idx = count.argsort()
plt.barh(range(num), count[idx[-num:]], color='red', align='center')
plt.title(novel,
fontsize=14,
fontproperties=font_yahei_consolas)
plt.yticks(range(num), chars[idx[-num:]],
fontsize=14,
fontproperties=font_yahei_consolas)
&/code&&/pre&&/div&&p&&br&&/p&&p&天龙八部：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&find_main_charecters(&天龙八部&)
&/code&&/pre&&/div&&figure&&img src=&https://pic3.zhimg.com/170d5f78b8ff44377e73fda3_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&407& data-rawheight=&268& class=&content_image& width=&407&&&/figure&&p&&br&&/p&&p&显然，就《天龙八部》来说，萧（乔）峰，段誉，虚竹这三兄弟的主角光环最强。&/p&&p&再看射雕三部曲：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&find_main_charecters(&射雕英雄传&)
find_main_charecters(&神雕侠侣&)
find_main_charecters(&倚天屠龙记&)
&/code&&/pre&&/div&&figure&&img src=&https://pic3.zhimg.com/fe0dc19a1132afe8de9b1_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&407& data-rawheight=&268& class=&content_image& width=&407&&&/figure&&figure&&img src=&https://pic2.zhimg.com/dce530e540451ecde356d5b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&407& data-rawheight=&267& class=&content_image& width=&407&&&/figure&&figure&&img src=&https://pic4.zhimg.com/b979f442a19cee719db0386_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&421& data-rawheight=&268& class=&origin_image zh-lightbox-thumb& width=&421& data-original=&https://pic4.zhimg.com/b979f442a19cee719db0386_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&接下来，我们将使用一些机器学习的观点来处理这些小说。&/p&&p&Word2Vec 是一款将词表征为实数值向量的高效工具，原理就不过多介绍了，感兴趣的可以自行搜索。&/p&&p&一个叫 gensim 的开源包提供了一个 Python 版的实现。&/p&&ul&&li&源代码地址：&a href=&https://link.zhihu.com/?target=https%3A//github.com/RaRe-Technologies/gensim& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RaRe-Technologies/gensim: Topic Modelling for Humans&/a&&/li&&li&官方文档地址：&a href=&https://link.zhihu.com/?target=http%3A//radimrehurek.com/gensim/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&gensim: topic modelling for humans&/a&&/li&&/ul&&p&首先安装 gensim：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&pip install gensim
&/code&&/pre&&/div&&p&安装完成之后，导入这个包：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&import gensim
&/code&&/pre&&/div&&p&&br&&/p&&p&虽然我们安装了 gensim，但我们还不可以直接使用它来进行 Word2Vec 的操作，因为 Word2Vec 中的词默认是用空格分隔的，而中文小说显然不符合这个要求，为此，我们需要对中文进行分词。&/p&&p&一个比较好用的 Python 中文分词包叫做 jieba （结巴）。&/p&&ul&&li&源代码地址：&a href=&https://link.zhihu.com/?target=https%3A//github.com/fxsjy/jieba& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GitHub - fxsjy/jieba: 结巴中文分词&/a&&/li&&/ul&&p&安装 jieba：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&pip install jieba
&/code&&/pre&&/div&&p&导入：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&import jieba
&/code&&/pre&&/div&&p&&br&&/p&&p&jieba 包具有一定的识别新词的能力，不过为了得到更准确的分词结果，我们可以将人名导入 jieba 库的字典，除此之外，我们还加入门派和武功的专有名词：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&for _, names in novel_names.iteritems():
for name in names:
jieba.add_word(name)
with codecs.open(&kungfu.txt&, encoding=&utf8&) as f:
kungfu_names = [line.strip() for line in f]
with codecs.open(&bangs.txt&, encoding=&utf8&) as f:
bang_names = [line.strip() for line in f]
for name in kungfu_names:
jieba.add_word(name)
for name in bang_names:
jieba.add_word(name)
&/code&&/pre&&/div&&p&&br&&/p&&p&我们的小说文本每行是一个自然段，我们按照行来对文本进行分词处理：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&novels = [&书剑恩仇录&,
&天龙八部&,
&飞狐外传&,
&射雕英雄传&,
&神雕侠侣&,
&倚天屠龙记&,
&白马啸西风&,
&笑傲江湖&,
&雪山飞狐&,
sentences = []
for novel in novels:
print &处理：{}&.format(novel)
with codecs.open('novels/{}.txt'.format(novel), encoding=&utf8&) as f:
sentences += [list(jieba.cut(line.strip())) for line in f]
处理：书剑恩仇录
处理：天龙八部
处理：碧血剑
处理：越女剑
处理：飞狐外传
处理：侠客行
处理：射雕英雄传
处理：神雕侠侣
处理：连城诀
处理：鸳鸯刀
处理：倚天屠龙记
处理：白马啸西风
处理：笑傲江湖
处理：雪山飞狐
处理：鹿鼎记
&/code&&/pre&&/div&&p&使用 gensim 中的 Word2Vec 模型，并用默认参数进行训练：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&model = gensim.models.Word2Vec(sentences,
min_count=5,
workers=4)
&/code&&/pre&&/div&&p&&br&&/p&&p&这里 size 表示生成的词向量的维度是 100，window 表示每 5 个词作为一个滑动窗口，min_count 表示只考虑出现次数超过 5 次的词。&/p&&p&训练完成之后，我们得到一个以词向量表示词的模型。&/p&&p&有了这个模型，我们可以进行一些简单而有趣的测试。&br&&/p&&p&&br&&/p&&p&首先看与乔峰相似的人：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&for k, s in model.most_similar(positive=[&乔峰&, &萧峰&]):
print k, s
&/code&&/pre&&/div&&p&乱入了一只童姥，其他都是男性角色。&/p&&p&再看看与阿朱相似的人：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&for k, s in model.most_similar(positive=[&阿朱&]):
print k, s
香香公主 0.
&/code&&/pre&&/div&&p&这回乱入了一只段誉。&/p&&p&&br&&/p&&p&除了人物，我们可以看看门派：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&for k, s in model.most_similar(positive=[&丐帮&]):
print k, s
for k, s in model.most_similar(positive=[&降龙十八掌&]):
print k, s
打狗棒法 0.
乾坤大挪移 0.
&/code&&/pre&&/div&&p&在 Word2Vec 的模型里，有过“中国-北京=法国-巴黎”的例子，这里我们也可以找到这样的例子：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&def find_relationship(a, b, c):
a与b的关系，跟c与d的关系一样
d, _ = model.most_similar(positive=[c, b], negative=[a])[0]
print &给定“{}”与“{}”，“{}”和“{}”有类似的关系&.format(a, b, c, d)
find_relationship(&段誉&, &段公子&, &乔峰&)
给定“段誉”与“段公子”，“乔峰”和“乔帮主”有类似的关系
&/code&&/pre&&/div&&p&类似的：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&# 情侣对
find_relationship(&郭靖&, &黄蓉&, &杨过&)
# 岳父女婿
find_relationship(&令狐冲&, &任我行&, &郭靖&)
find_relationship(&郭靖&, &华筝&, &杨过&)
给定“郭靖”与“黄蓉”，“杨过”和“小龙女”有类似的关系
给定“令狐冲”与“任我行”，“郭靖”和“黄药师”有类似的关系
给定“郭靖”与“华筝”，“杨过”和“绿萼”有类似的关系
&/code&&/pre&&/div&&p&以及，小宝你是有多爱康熙：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&# 韦小宝
find_relationship(&杨过&, &小龙女&, &韦小宝&)
find_relationship(&令狐冲&, &盈盈&, &韦小宝&)
find_relationship(&张无忌&, &赵敏&, &韦小宝&)
给定“杨过”与“小龙女”，“韦小宝”和“康熙”有类似的关系
给定“令狐冲”与“盈盈”，“韦小宝”和“康熙”有类似的关系
给定“张无忌”与“赵敏”，“韦小宝”和“康熙”有类似的关系
除了人物之间的关系，还可以看看人物与门派武功之间的关系：
&/code&&/pre&&/div&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&find_relationship(&郭靖&, &降龙十八掌&, &黄蓉&)
find_relationship(&武当&, &张三丰&, &少林&)
find_relationship(&任我行&, &魔教&, &令狐冲&)
给定“郭靖”与“降龙十八掌”，“黄蓉”和“打狗棒法”有类似的关系
给定“武当”与“张三丰”，“少林”和“灭绝师太”有类似的关系
给定“任我行”与“魔教”，“令狐冲”和“恒山派”有类似的关系
&/code&&/pre&&/div&&p&之前我们对文本进行 Word2Vec 的结果，是将一个中文词组，映射到了一个向量空间，因此，我们可以利用这个向量表示的空间，对这些词进行聚类分析。&/p&&p&因为全部小说中的人物太多，我们考虑从单本小说进行入手，先把天龙八部中的人物的词向量拿出来：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&all_names = np.array(filter(lambda c: c in model, novel_names[&天龙八部&]))
word_vectors = np.array(map(lambda c: model[c], all_names))
&/code&&/pre&&/div&&p&&br&&/p&&p&聚类我们可以使用很多方法，这里我们先考虑 Kmeans：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&from sklearn.cluster import KMeans
&/code&&/pre&&/div&&p&&br&&/p&&p&如果只分成3类，那么很明显地可以将众人分成主角，配角，跑龙套的三类：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&N = 3
label = KMeans(N).fit(word_vectors).labels_
for c in range(N):
print &\n类别{}：&.format(c+1)
for idx, name in enumerate(all_names[label==c]):
print name,
if idx % 10 == 9:
刀白凤 丁春秋 马夫人 巴天石 邓百川 风波恶 公冶乾 包不同 乌老大 云中鹤
白世镜 本因 过彦之 司马林 玄慈 玄寂 玄难 叶二娘 左子穆 李秋水
全冠清 阮星竹 朱丹臣 阿碧 波罗星 鸠摩智 耶律洪基 苏星河 段延庆 范骅
赵钱孙 哲罗星 钟万仇 秦红棉 徐长老 崔百泉 萧远山 褚万里 慕容博 谭婆
马五德 小翠 不平道人 甘宝宝 天狼子 太皇太后 无崖子 止清 天山童姥 本参
本观 本相 出尘子 冯阿三 古笃诚 兰剑 平婆婆 石嫂 司空玄 玄苦
玄生 玄痛 耶律莫哥 李春来 李傀儡 刘竹庄 朴者和尚 许卓诚 竹剑 阿洪
阿胜 陈孤雁 来福儿 努儿海 宋长老 苏辙 吴长风 辛双清 严妈妈 余婆婆
岳老三 张全祥 单伯山 单季山 单小山 单正 段正明 宗赞王子 苟读 华赫艮
郁光标 卓不凡 范百龄 哈大霸 吴光胜 梦姑 神山上人 神音 室里 姚伯当
幽草 龚光杰 贾老者 康广陵 容子矩 桑土公 唐光雄 奚长老 诸保昆 崔绿华
符敏仪 菊剑 梅剑 游骥 游驹 傅思归 葛光佩 缘根 鲍千灵 智光大师
瑞婆婆 端木元 黎夫人 谭公 赫连铁树 谭青 摘星子 慧方 慧观 慧净
慧真 穆贵妃 吴领军 易大彪
木婉清 王语嫣 乔峰 萧峰 阿朱 阿紫 段誉 段正淳 钟灵 虚竹
游坦之 慕容复
&/code&&/pre&&/div&&p&我们把众龙套去掉，再聚一次：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&N = 4
c = sp.stats.mode(label).mode
remain_names = all_names[label!=c]
remain_vectors = word_vectors[label!=c]
remain_label = KMeans(N).fit(remain_vectors).labels_
for c in range(N):
print &\n类别{}：&.format(c+1)
for idx, name in enumerate(remain_names[remain_label==c]):
print name,
if idx % 10 == 9:
刀白凤 马夫人 风波恶 包不同 乌老大 白世镜 司马林 叶二娘 左子穆 李秋水
阮星竹 阿碧 苏星河 赵钱孙 钟万仇 秦红棉 崔百泉 萧远山 慕容博 谭婆
木婉清 王语嫣 阿朱 阿紫 段誉 钟灵 虚竹
丁春秋 云中鹤 乔峰 萧峰 鸠摩智 段延庆 段正淳 游坦之 慕容复
巴天石 邓百川 公冶乾 本因 过彦之 玄慈 玄寂 玄难 全冠清 朱丹臣
波罗星 耶律洪基 范骅 哲罗星 徐长老 褚万里
&/code&&/pre&&/div&&p&可以看到，在类别2中，段家的儿女被聚在了一起，而萧峰则乱入了一群反派人士中。&/p&&p&&br&&/p&&p&换一本小说：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&all_names = np.array(filter(lambda c: c in model, novel_names[&&]))
word_vectors = np.array(map(lambda c: model[c], all_names))
&/code&&/pre&&/div&&p&&br&&/p&&p&这次采用层级聚类的方式，调用的是 Scipy 中层级聚类的包：&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&import scipy.cluster.hierarchy as sch
&/code&&/pre&&/div&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&Y = sch.linkage(word_vectors, method=&ward&)
_, ax = plt.subplots(figsize=(10, 40))
Z = sch.dendrogram(Y, orientation='right')
idx = Z['leaves']
ax.set_xticks([])
ax.set_yticklabels(all_names[idx],
fontproperties=font_yahei_consolas)
ax.set_frame_on(False)
plt.show()
&/code&&/pre&&/div&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/8ee46cef6d44d711c2ba8_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&626& data-rawheight=&2246& class=&origin_image zh-lightbox-thumb& width=&626& data-original=&https://pic2.zhimg.com/8ee46cef6d44d711c2ba8_r.jpg&&&/figure&&p&&br&&/p&&p&红色聚类区的上半部分是与张教主直接相关的人物：两个女人赵敏和周芷若；父母和义父。&/p&&p&而红色聚类区的下半部分主要是明教与武当中与张无忌相关的部分。反派角色和一众龙套都被放在了下半区。&/p&&p&除了人物，我们还可以考虑对武功进行聚类分析：&/p&&p&&br&&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&all_names = np.array(filter(lambda c: c in model, kungfu_names))
word_vectors = np.array(map(lambda c: model[c], all_names))
Y = sch.linkage(word_vectors, method=&ward&)
_, ax = plt.subplots(figsize=(10, 35))
Z = sch.dendrogram(Y, orientation='right')
idx = Z['leaves']
ax.set_xticks([])
ax.set_yticklabels(all_names[idx],
fontproperties=font_yahei_consolas)
ax.set_frame_on(False)
plt.show()
&/code&&/pre&&/div&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/4addca3a19d543e1c4ea_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&666& data-rawheight=&1967& class=&origin_image zh-lightbox-thumb& width=&666& data-original=&https://pic1.zhimg.com/4addca3a19d543e1c4ea_r.jpg&&&/figure&&p&&br&&/p&&p&反正我只知道下面绿色部分的武功，红色部分的好多都是第一次听说。&/p&&p&最后是门派的聚类：&/p&&p&&br&&/p&&p&&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&all_names = np.array(filter(lambda c: c in model, bang_names))
word_vectors = np.array(map(lambda c: model[c], all_names))
all_names = np.array(all_names)
Y = sch.linkage(word_vectors, method=&ward&)
_, ax = plt.subplots(figsize=(10, 25))
Z = sch.dendrogram(Y, orientation='right')
idx = Z['leaves']
ax.set_xticks([])
ax.set_yticklabels(all_names[idx],
fontproperties=font_yahei_consolas)
ax.set_frame_on(False)
plt.show()
&/code&&/pre&&/div&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/8b2b79f97e287cc80b3c80f4cd58987d_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&626& data-rawheight=&1409& class=&origin_image zh-lightbox-thumb& width=&626& data-original=&https://pic3.zhimg.com/8b2b79f97e287cc80b3c80f4cd58987d_r.jpg&&&/figure&&p&&br&&/p&&p&大概跟武功是一样的分布，上面一堆龙套门派，主角出场的门派都在绿色区域，这大概就是所谓的绿叶配鲜花吧。&/p&&p&&br&&/p&&p&以上纯属娱乐。&/p&&p&原载于微信公众号：lijin_echo。&/p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIwNDI1Mzk3OA%3D%3D%26mid%3Didx%3D1%26sn%3D8c38ae54cfb768c53c2c2%23rd& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic3.zhimg.com/v2-2d9ceed78978badf52f685b50ced44c6_ipico.jpg& data-image-width=&358& data-image-height=&358& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&用Python看金庸武侠&/a&&a href=&https://link.zhihu.com/?target=http%3A//nbviewer.jupyter.org/github/lijin-THU/notes-python/blob/master/10-something-interesting/10.04-louis-cha%2527s-kungfu-world.ipynb& data-draft-node=&block& data-draft-type=&link-card& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Notebook 链接&/a&&a href=&https://link.zhihu.com/?target=https%3A//github.com/lijin-THU/notes-python/tree/master/10-something-interesting& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic1.zhimg.com/v2-318dd57fb8f0cb5ed689ca_ipico.jpg& data-image-width=&400& data-image-height=&400& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&lijin-THU/notes-python&/a&&blockquote&飞雪连天射白鹿，笑书神侠倚碧鸳。&/blockquote&&p&&br&&/p&&p&未经允许，谢绝转载。&/p&
后后后记：我很反感抄袭的行为，谢绝任何形式的转载。后后记： 更新了部分丑陋的代码。后记：本文纯属娱乐，贴代码是方便大家自己去玩一下。当初我也是某个周日无事，花了半天把这东西搞出来，让内行见笑那是自然的，不懂的看个热闹就好，也不用觉得神奇，…
我家喵喵只有一岁半，看我开门两遍就会自己开了。第一步，用小肥爪把缝隙拨大；第二步，力气不够用肥脸挤门缝把缝隙再搞大；第三步，刺溜从门缝钻出去&br&&figure&&img data-rawheight=&481& data-rawwidth=&640& src=&https://pic4.zhimg.com/50/6d66f4346e9dcce6cc327e30ba71ec78_b.jpg& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/50/6d66f4346e9dcce6cc327e30ba71ec78_r.jpg&&&/figure&&br&&figure&&img data-rawheight=&487& data-rawwidth=&568& src=&https://pic1.zhimg.com/50/80dc35cc7ebfcfaeff8c5d5875249bfe_b.jpg& class=&origin_image zh-lightbox-thumb& width=&568& data-original=&https://pic1.zhimg.com/50/80dc35cc7ebfcfaeff8c5d5875249bfe_r.jpg&&&/figure&&figure&&img data-rawheight=&487& data-rawwidth=&640& src=&https://pic2.zhimg.com/50/cb0b8e42be5c4f827f9b8d2e87de8a25_b.jpg& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/50/cb0b8e42be5c4f827f9b8d2e87de8a25_r.jpg&&&/figure&
我家喵喵只有一岁半，看我开门两遍就会自己开了。第一步，用小肥爪把缝隙拨大；第二步，力气不够用肥脸挤门缝把缝隙再搞大；第三步，刺溜从门缝钻出去
&p&陆续还有人关注这个答案……多说两句：这跟我是不是理科生没有关系啊。以前我在红协会呆过，做过一段时间红学研究。&a href=&http://www.zhihu.com/question//answer/& class=&internal&&「回归祖国的《红楼梦》后二十八回 」是怎么回事？ - 孙志超的回答&/a&&/p&&figure&&img src=&https://pic3.zhimg.com/50/a8a43a62c798e46d74998_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&440& data-rawheight=&631& class=&origin_image zh-lightbox-thumb& width=&440& data-original=&https://pic3.zhimg.com/50/a8a43a62c798e46d74998_r.jpg&&&/figure&&p&&br&&/p&&p&这是04年周汝昌做讲座时候的我。&/p&&p&------------------------------------------&/p&&p&&br&&/p&&p&这个老问题怎么忽然被翻上来了。&/p&&p&&br&&/p&&p&红楼梦里难忘的场景大概有几十个，各有特点，但对我来说，最难忘的只有一个——寿怡红群芳开夜宴。因为看的时候现场还原了十几遍。&/p&&p&&br&&/p&&p&剧情是为了给宝玉祝寿，怡红院八位丫鬟凑钱预备果子和绍兴酒给他过一个特别的生日；而为了使席上行酒令更加有趣，丫鬟们又把几位小姐和大奶奶李纨也请来。主子丫头围坐炕上，随意喝酒行令取乐。扔骰子，数到谁，然后抽出花签继续传下去。&/p&&p&&br&&/p&&p&从小说文字来看，确定参加夜宴并行酒令的人物有如下16位：&/p&&p&宝玉、袭人、晴雯、麝月、秋纹、芳官、碧痕、春燕、四儿、李纨、探春、宝钗、黛玉、湘云、宝琴、香菱。&/p&&p&不能确定的是一位——探春的丫鬟翠墨。小说写道：&/p&&p&（探春）因想不请李纨，倘或被他知道了倒不好，便命翠墨同春燕也再三的请了李纨和宝琴二人，会齐先后都到了怡红院中。&/p&&p&&br&&/p&&p&头痛的是，不但参加夜宴并行酒令的人数一开始不能确定，不同的版本关于行酒令时掷骰的点数还有不同的写法，这当然会直接影响到对夜宴人数的判定。程甲本和庚辰本的比较：&/p&&p&&br&&/p&&p&程：（晴雯）又取过骰子来，盛在盒内，摇了一摇，揭开一看，里面是六点，数至宝钗。&/p&&p&庚：（晴雯）又取过骰子来，盛在盒内，摇了一摇，揭开一看，里面是五点，数至宝钗。&/p&&p&&br&&/p&&p&程：湘云拿着他（探春）的手，强掷了个十九点出来，便该李氏掣。&/p&&p&庚：湘云拿着他（探春）的手，强掷了个九点出来，便该李氏掣。&/p&&p&&br&&/p&&p&程：麝月一掷个十点，该香菱。&/p&&p&庚：麝月一掷个十九点，该香菱。&/p&&p&&br&&/p&&p&年幼的我当时就疯了~~~~&/p&&p&&br&&/p&&p&&br&&/p&&p&程甲本最优模型只改1条即可，庚辰本则怎么都对不上。但都说庚辰本是真本，所以为了修正这些数据，建了个数学模型。&/p&&p&&br&&/p&&p&假设总人数为N，把每一个人的座位号用一个数学整型变量来代表（按抓签顺序），&/p&&p&&br&&/p&&p&晴雯=Ｘ(1),宝钗=Ｘ(2),探春=Ｘ(3),李纨=Ｘ(4),黛玉=Ｘ(5),湘云=Ｘ(6),宝玉=Ｘ(7),&/p&&p&麝月=Ｘ(8),香菱=Ｘ(9),袭人=Ｘ(10),其它人不在方程中所以可不列。&/p&&p&&br&&/p&&p&按游戏的叙述建立模型&/p&&p&Ｘ(1)+6=Ｘ(2)　　
①&/p&&p&Ｘ(2)+16=Ｘ(3)
②&/p&&p&Ｘ(3)+19-Ｎ=Ｘ(4)
③&/p&&p&Ｘ(4)+1=Ｘ(5)
④&/p&&p&Ｘ(5)+18-Ｎ=Ｘ(6)
⑤&/p&&p&Ｘ(6)-1=Ｘ(5)
⑥&/p&&p&Ｘ(6)+1=Ｘ(7)
⑦&/p&&p&Ｘ(6)+9=Ｘ(8)
⑧&/p&&p&Ｘ(8)+10=Ｘ(9)
⑨&/p&&p&Ｘ(9)+6=Ｘ(5)
⑩&/p&&p&Ｘ(5)+20-N=Ｘ(10)
Ⅺ&/p&&p&&br&&/p&&p&解释一下：&/p&&p&晴雯摇出六点，数至宝钗，那么就是Ｘ(1)+6=Ｘ(2)。方程③中，“探春被湘云拿着他的手，强掷了个十九点出来便该李氏掣”。但因为大家是转着圆圈坐，当点数太多超出总人数时会绕回来。所以要减去总人数。即Ｘ(3)+19-N=Ｘ(4)这十一个方程有十一个变量应当是有解的。但由于里面有些数字有误所以出现了一些矛盾方程。致使方程无解。&/p&&p&&br&&/p&&p&例如：将方程⑤⑥联立，得&/p&&p&Ｘ(5)+18-N=Ｘ(5)+1　&/p&&p&&br&&/p&&p&可得N=17&/p&&p&&br&&/p&&p&但若将式⑥⑧⑨⑩联立，则得&/p&&p&Ｘ(6)+9+10+6=Ｘ(6)-1&/p&&p&Ｘ(6)+26=Ｘ(6)&/p&&p&&br&&/p&&p&那么N=13&/p&&p&&br&&/p&&p&这与上面的解矛盾，所以可以认为方程中有些数字有误。当然，这些方程的可靠程度也不完全一样，例如上家，下家不太会错，但数的点数多了，有错误的可能性就大。有些还是比较模糊的，例如“宝玉先饮了半杯，瞅人不见递与芳官”。可知芳官位置离宝玉较近这就较模糊。那么上面方程中的数据哪些是正确的，哪些需要校正，怎么校正，才能得到一个圆满的结果？数据校正中有不同的校正原则。一种是以校正后的数据的方差最小为目标，用数学方程写就是：&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/50/31ab43f3b35bc03d360a9005bab198da_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&308& data-rawheight=&168& class=&content_image& width=&308&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&一式中min代表最小，∑代表加和,y(上标^ 下标i)代表校正后的值，y(下标i)代表测量值是已知的，s.t.代表满足于。&/p&&p&二式为向量方程，代表所有①到IX的方程。&/p&&p&&br&&/p&&p&另一种是校正的次数最少，可能只有某一两次计量错了，但可能错误的方差较大。将上图min后的式子改为K即为方程，其中K代表校正数据的个数。&/p&&p&&br&&/p&&p&怎样求解这些方程呢？我们可以按一定的算法，反复迭代直至找到最优解为止。这一问题如果按照校正次数最少可得到校正两个数即可求得圆满解。&/p&&p&&br&&/p&&p&将方程⑨中的10校正19，即：Ｘ(8)+19=Ｘ(9)&/p&&p&将方程⑩中的6校正为5，即：Ｘ(9)+5=Ｘ(5)&/p&&p&&br&&/p&&p&即：&/p&&p&“麝月一掷个十点,该香菱”应是“掷个十九点该香菱”&/p&&p&“香菱便又掷了个六点该黛玉”应是“掷了个五点,该黛玉”。&/p&&p&&br&&/p&&p&这样校正数据后问题的解为:&/p&&p&&br&&/p&&p&以Ｘ(1)=1,则Ｘ(2)=7,Ｘ(3)=6,Ｘ(4)=8,Ｘ(5)=9Ｘ(6)=10,Ｘ(7)=11,Ｘ(8)=2,Ｘ(9)=4Ｘ(10)=12，总人数N=17其它人在游戏中没涉及到的则可随便放座位。&/p&&p&&br&&/p&&p&数据校正后的座位应是这样排：&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/50/f103a23bda282bd93b298_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&476& data-rawheight=&246& class=&origin_image zh-lightbox-thumb& width=&476& data-original=&https://pic1.zhimg.com/50/f103a23bda282bd93b298_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&这个座位表符合校正后的游戏叙述，也符合一般的规律例如“袭人等端了椅子在炕沿下陪着”，黛玉按书中讲的“过这边靠板壁坐，又拿了个靠背垫着些”。&/p&&p&&br&&/p&&p&宝玉和香菱打横也有一定道理。以前宝玉、平儿、宝琴、岫烟四人同一天过生日，也是“终久让宝琴、岫烟二人在上，平儿面西坐，宝玉面东坐”至于秋纹，碧痕，春燕，翠墨，四儿书中没有讲她们的游戏，几个人的座位可随意交换。&/p&&p&&br&&/p&&p&但这里真的是曹公写错了吗？我一直不得索解。&/p&&p&&b&----------
----------------- ---------------
-----------&/b&&/p&&p&&b&关注公众号：“sunzhichaoshuo” 或 “孙志超说”
分享更多干货&/b&&/p&&p&&b&若有问题，微信公众号点“勾搭超哥”加入孙志超的知识星球，我会认真回答&/b&&/p&
陆续还有人关注这个答案……多说两句：这跟我是不是理科生没有关系啊。以前我在红协会呆过，做过一段时间红学研究。 这是04年周汝昌做讲座时候的我。-------------------------------------…
最新补充：2015年年终总结见本答案最后部分。下面是原答案：&br&————————————————————————————————————&br&这个问题比较合胃口，鉴于去年已经成功命中一回，今年也试着再来一回。&br&友情提示，图表较多，手机党慎入。&br&我们一个问题一个问题的来捋一下：&br&&br&&b&1.城镇化何时是尽头？&/b&&br&首先来看一下我国总人口增长情况，从下图来看，1987年是近三十年来新增人口的一个最高峰，1987年至今，每年的新增人口总体上是呈现出下降趋势的。&br&&figure&&img src=&https://pic3.zhimg.com/50/79bfe6230c00_b.jpg& data-rawwidth=&962& data-rawheight=&330& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic3.zhimg.com/50/79bfe6230c00_r.jpg&&&/figure&假设1：2014年以后新增人口量按照年的线性趋势减少。根据这种线性趋势得到2014年每年人口增长量的预测值（见下图红色部分）。预计我国人口在2028年左右达到峰值，峰值人口大约为14.08亿人。（这只是本人不严谨的简单预测值，请勿严肃引用）&br&&figure&&img src=&https://pic3.zhimg.com/50/1ed722e419851cabc2da71a_b.jpg& data-rawwidth=&962& data-rawheight=&290& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic3.zhimg.com/50/1ed722e419851cabc2da71a_r.jpg&&&/figure&再来看一下建国以来每年新增城镇人口情况，见下图。从图上来看，1996年以来我国新增城镇人口进入加速阶段，年每年新增城镇人口稳定在万人之间。（我不清楚为何1996年之后新增城镇人口一下子暴增了）&br&&figure&&img src=&https://pic1.zhimg.com/50/32c2ab84dfdf1c7b4fc6_b.jpg& data-rawwidth=&962& data-rawheight=&442& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic1.zhimg.com/50/32c2ab84dfdf1c7b4fc6_r.jpg&&&/figure&假设2:2014年以后每年新增城镇人口2108万人（年新增城镇人口平均值）。2013年全国总人口为13.6072亿人，其中城镇人口为7.311亿人，城市化率为53.7%。根据假设2，我们可以预测出2014年以后每年的城镇人口，再根据前面得到的总人口预测值，得到城市化率预测值。&br&&figure&&img src=&https://pic3.zhimg.com/50/f5c8cbaf832ccae87ca02928a47cdb8b_b.jpg& data-rawwidth=&962& data-rawheight=&441& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic3.zhimg.com/50/f5c8cbaf832ccae87ca02928a47cdb8b_r.jpg&&&/figure&预测：预计到2018年，我国城市化率超过60%；预计到2026年，我国城市化率超过70%。&br&参考其他国家的城市化率：&a href=&//link.zhihu.com/?target=http%3A//zh.wikipedia.org/wiki/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&http://zh.wikipedia.org/wiki/各国城市化比率&/a&各国城市化比率，我国城市化超过70%基本可能到尽头了。&br&房地产业的根本需求来自于城市化进程，而城镇化到头之时，基本也可以断定是房地产业到头之时。&br&&br&&b&2. 未来房地产行业还有多少需求？&/b&&br&2-1 总需求是多少？&br&我个人认为房地产的根本性需求来自两方面：其一是改善住房的需求，2000年之前的原有城镇居民因为以前居住条件较差，2000年之后有较大比例都会购买新房；其二是新增城镇居民的住房需求，主要是2000年之后的城镇居民进入城市后会购买住房。&br&美国的人均住房面积是60㎡，日本的人均住房面积是31㎡（均为网上数据），我这里还是采用日本的数据做参考了。&br&2000年前原有城镇人口：4.3748亿人。&br&年新增城镇人口：2.9363亿人。&br&年预测新增人口：2.7399亿人。&br&假设3:2000年前原有城镇居民2000年购买新房比例为70%；2000年后的新增城镇居民购买住宅比例为100%。（这里找不到假设依据，人懒，也不想去找了，有合适依据的欢迎提供）&br&根据上述数据我们得到我国商品住宅的总需求大约为&b&262亿㎡&/b&。&br&实际上新增城镇居民购房比例不可能达到100%，部分居民可能会选择经适房或保障房、廉租房等等，而这些是不计入商品住宅需求中的，因此商品住宅总需求应该是小于262亿㎡这个数据的。&br&2-2 已经被消化了的需求是多少？&br&根据国家统计局的数据，年11月，我国商品住宅销售面积总量为&b&92.6亿㎡&/b&。这个数据是实实在在的已经消化了的需求量。从下图来看，2014年销售面积几乎不可能超越巅峰的2013年了。&br&&figure&&img src=&https://pic4.zhimg.com/50/bb9ee748be8b23a27f84d2c121d7515a_b.jpg& data-rawwidth=&962& data-rawheight=&328& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic4.zhimg.com/50/bb9ee748be8b23a27f84d2c121d7515a_r.jpg&&&/figure&同期我国新开工商品房住宅总量是&b&121.3亿㎡&/b&，这个是这些年来的实实在在的供应量，即使有些开工了但还没拿到预售证，但他们迟早也会进入商品住宅市场的。新开工数据的峰值出现在2011年，2014年全年估计很难超越2013年水平。&br&&figure&&img src=&https://pic4.zhimg.com/50/fda99219d9_b.jpg& data-rawwidth=&962& data-rawheight=&369& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic4.zhimg.com/50/fda99219d9_r.jpg&&&/figure&2-3 未来需求还有多少？&br&已销售的商品住宅总面积92.6亿㎡除以总需求262亿㎡，35%。&br&新开工商品住宅总面积121.3亿㎡除以总需求262亿㎡，46%。&br&考虑到这个总需求有水分，那我们再适当的往上估计一下，预计已销售占总需求可能已经达到了40~50%。&br&而新开工的商品住宅已经占到了总需求的50~60%。&br&房地产市场的半程已过，从数据上看，过去是上坡，未来十年将会是下坡。拐点就是上坡变成下坡了，当上坡变成下坡之后，带来的影响是行业规模缩减，中小房企大量破产，行业垄断加剧，行业裁员等等……&br&&br&&b&3. 房价是否会下行？&/b&&br&个人认为房价取决于两方面因素：一是供求关系；二是货币政策。&br&供给小于需求，价格上行；供给大于需求，价格下降。&br&货币政策宽松，房贷利率低，首付低，且发放门槛低，刺激需求增加，房价上行；货币政策紧，房贷利率上浮，房贷发放门槛与周期提高，需求降低，房价下行。（货币政策本质上还是影响了房地产市场的供求关系，货币政策的波动加剧或者平衡了房地产市场需求的波动）&br&&br&如前面所述，房地产市场发展的半程已过，&b&但总需求的下降未必就一定会带来房价的下降&/b&。总需求下降，供应量依然增加或保持不变，则房价会下降；若供应量也同步缩减，那么房价还是会保持平稳的。我认为而随着房地产行业利润率的下降，大量企业会逐渐退出这个行业，房地产行业的供应量也会逐步降下来的，未来货币政策大放水的可能性也不高，09年市场那种疯狂很难再出现，房价保持平稳的可能性最高。&br&以上是整体情况，而具体城市又要具体分析。&br&&br&&a href=&http://www.zhihu.com/question/& class=&internal&&我国人口预计 15 年内是会逐渐分散在大中小城市，还是继续向大城市集中？我们应留在大城市发展吗？ - 社会&/a&&br&&a href=&http://www.zhihu.com/question/& class=&internal&&《中国各地人口净流入流出示意图》反映的情况是否符合你亲眼观察到的情况？ - 地图&/a&&br&&a href=&http://www.zhihu.com/question/& class=&internal&&如何评价王健林的「二十年内无法阻止北京、上海房价上涨」，他的判断正确吗？ - 北京&/a&&br&我很赞同上述三个问题中的最高票答案，一二线城市集中了我国最好的政治、经济、教育、医疗等资源，人口持续流向一二线城市是客观规律，是不可逆的趋势。&br&人口会持续不断地流向大城市和特大城市，这些城市的房地产需求是高涨的，平抑房价最直接有效的措施就是增加供给，但是国家去年年初又出台了一个政策——&a href=&//link.zhihu.com/?target=http%3A//newpaper.dahe.cn/dhb/html//content_1016087.htm%3Fdiv%3D-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&500万人口以上特大城市不再安排新增建设用地&/a&。需求端高涨，供给端有限乃至缩减，价格怎能不涨。&br&供求关系对房价的影响见成渝两地的例子。&br&&figure&&img src=&https://pic2.zhimg.com/50/08c86fc63ac01bfc92b33a_b.jpg& data-rawwidth=&601& data-rawheight=&290& class=&origin_image zh-lightbox-thumb& width=&601& data-original=&https://pic2.zhimg.com/50/08c86fc63ac01bfc92b33a_r.jpg&&&/figure&再放张图，感受下2009年货币放水的盛况：&br&&figure&&img src=&https://pic4.zhimg.com/50/9a25b5a1bd4d1296ebc3af94c12d7553_b.jpg& data-rawwidth=&1132& data-rawheight=&355& class=&origin_image zh-lightbox-thumb& width=&1132& data-original=&https://pic4.zhimg.com/50/9a25b5a1bd4d1296ebc3af94c12d7553_r.jpg&&&/figure&再放张SHIBOR的图，感受下2013年年中的“钱荒”：&br&&figure&&img src=&https://pic4.zhimg.com/50/63b75c3e7f798f5eadf03dbf_b.jpg& data-rawwidth=&988& data-rawheight=&355& class=&origin_image zh-lightbox-thumb& width=&988& data-original=&https://pic4.zhimg.com/50/63b75c3e7f798f5eadf03dbf_r.jpg&&&/figure&2013年下半年房贷放款周期似乎就变长了，14年春节后房贷利率也普遍上浮5%，后面上浮了10%，15%，甚至20%。2014年房地产市场下行很大程度上受了房贷收缩的影响，2014年年中开始央行开始不断“微刺激”，SHIBOR也变得平滑而温柔了，房贷利率也慢慢下来了。9、10月份房地产市场也基本到达阶段性的底部了。&br&&br&&b&4. 2015年房价会怎么走？&/b&&br&前面说了这么多，现在预测大家最关心的2015年房价走势。&br&需求面显著恶化了？没有。（台阶会一步一步下，不会一下子摔倒一楼）&br&供给面显著增加了？没有。&br&货币政策会收紧么？不会。宏观经济下行压力大，CPI下行，可能会进一步降息或者降准，房贷利率有望进一步下调。&br&货币会再次大放水？不会。前面说过，09年那种疯狂很难重演。&br&既然一切都没有显著的变化，而货币政策有望进一步宽松，2015年房价的走势也就是整体平稳或者温和上行，一线城市及部分二线城市上涨或更加凶猛。&br&分时段来看，现在成交量已经显著回暖，预计节后价格将开始明显回暖，价格上涨的城市将会越来越多。市场热度将会自春天持续到秋天，如果货币政策能继续放宽，维持这种热度的动能将会更加强大。四季度么，如果今年是很热的一年，要小心市场又开始转向了；如果今年是温和的一年，也许这种温和能够贯穿全年。&br&&b&分城市类型来看：&/b&&br&&b&一线，涨；&/b&&br&&b&二线，大多涨或者平（要看供求情况）；&/b&&br&&b&三线，大多跌或者平（要看供求和经济发展情况）。&/b&&br&&br&最后，献上北上广深的数据，月份新建商品住宅价格指数同比走势。&br&&figure&&img src=&https://pic4.zhimg.com/50/de09e39fef78a29f07aaa3e3f4df492c_b.jpg& data-rawwidth=&717& data-rawheight=&107& class=&origin_image zh-lightbox-thumb& width=&717& data-original=&https://pic4.zhimg.com/50/de09e39fef78a29f07aaa3e3f4df492c_r.jpg&&&/figure&&br&
大于100，房价同比增长，小于100，同比下降。虽然12月房价同比还是下降的，但是小心了，仔细看10月、11月、12月数据，同比已经在收窄了（底部的信号啊有木有！！！降的越来越少越来越少，然后就是负转正了，反转的脚步已经越来越近了），深圳甚至12月同比数据已经高于11月了，该市12月环比确实已经开始上涨了！&br&一线城市里有计划买房的，钱准备够的，可以动手了！&br&&br&由于缺乏其他地区基础数据，难以对具体城市做具体分析了！各位见谅。&br&&br&预测会根据宏观经济数据以及宏观市场数据适时修正。&br&日。&br&————————————————————————————————————&br&日补充：&br&本文系原创。&br&感谢某热心朋友告诉我这文章被盗了。&br&被盗地址：&a href=&//link.zhihu.com/?target=http%3A//web.toutiao.com/a/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&2015年全国房价会呈什么趋势？...&/a&&br&我自己也跑去围观了下，看了评论区，一边倒的骂声，我是不是该感谢一下盗我文章而不署我的名的这个APP呢——你们这是在保护我啊！！！&br&&br&————————————————————————————————————&br&日补充：&br&券商的研报里看到一张好图，根据70个大中城市房价指数做的图，房价趋势一目了然：&br&&figure&&img src=&https://pic3.zhimg.com/50/59e7ad20a099d2c881878caa7a546e1a_b.jpg& data-rawwidth=&926& data-rawheight=&494& class=&origin_image zh-lightbox-thumb& width=&926& data-original=&https://pic3.zhimg.com/50/59e7ad20a099d2c881878caa7a546e1a_r.jpg&&&/figure&手里没有年的数据，整理数据是个很麻烦的过程，有空了争取把12、13的数据弄出来，然后再分分类，大致分成北上广深、省会和部分沿海城市、其他城市等三大类，房价趋势应该会更加分明。&br&&br&&br&————————————————————————————————————————&br&日补充：&br&有对2014年房地产市场形势和2015年市场预测有更多了解的朋友，请看世联行的报告《胸有惊雷，面如平湖
中国房地产市场2014年回顾与2015年展望》，比我文艺，比我专业。&br&世联行报告百度文库地址：&a href=&//link.zhihu.com/?target=http%3A//wenku.baidu.com/view/034d7546eefdc8d376ee32de.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&胸有惊雷,面如平湖：世联行2014年房地产市场年报&/a&（如有侵权，俺删掉）&br&&br&&br&————————————————————————————————————————&br&日：&br&看到楼下匿名用户提到同地段公寓和住宅，他肯定选公寓。其评论区关闭了，我之前算过公寓的账，忍不住在这里插几句嘴。&br&二手商业产权的物业在交易时产生的税费远高于二手住宅产权物业，同地段的酒店式公寓要比住宅售价低13%以上，未来按照相同价格出售时，才能获得相同的投资回报率。&br&&br&&br&————————————————————————————————————————&br&日补充：&br&答题区两位酷炫与霸气的牛人一唱一和的批评了我，评论区部分人士也指出了我屁股存在巨大的问题，今儿发现虽然这个答案点赞数依然排第一，但是顺序已经排第二了，不知是否是点反对的人已经大大增加了？大量群众虽然没留下只言片语，但是却用默默的行动对我的屁股投下了不信任的票？&br&我很痛心，我很疾首，我终于羞愧的增加一个补充说明——我是一名男性，而男性是下半身思考的动物，而我下半身重要组成部分之一的屁股又是个房地产的屁股，因此这肯定是个不正确的屁股，这肯定是个只有贪心没有良心的屁股，屁股不正则脑袋残矣！！！&br&我坦白的交代以上预测纯属扯淡，答题动机只为忽悠，本答案100%为房地产洗地的软文。&br&不过，为了公司卖的好，为了年终奖发的高，我还是要将忽悠进行到底：&br&北上广深的朋友，想买就赶紧动手！过了这个村又要多花几个子儿！&br&省会为主的二线城市朋友，耐心比选，适当观望，沉稳出手！着重考虑教育、交通，优先选择成熟片区。&br&三四线城市的朋友，请把房子当做消费品，有需要你就买，没需要你就等待，纯投资你不要来！&br&&br&&br&—————————————————————————————————————————&br&&br&日更新：&br&&b&一线城市：齐头并涨&/b&&br&一线城市3月份以后一路高歌猛进，金九银十稍有喘息，但年末环比增速又有上升趋势。&br&&figure&&img src=&https://pic3.zhimg.com/50/916fa2b58baf64be86d7d_b.jpg& data-rawwidth=&962& data-rawheight=&316& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic3.zhimg.com/50/916fa2b58baf64be86d7d_r.jpg&&&/figure&分城市来看，深圳领跑全国，上海涨幅也不小。一线城市上涨在预料之中，但我年初没料到一线城市涨幅会如此之大，尤其是深圳，不想说什么了。深圳房价的问题，我在这个问题里简单阐述过：&a href=&https://www.zhihu.com/question//answer/& class=&internal&&深圳在日之后的这波房价大幅上涨的支撑是什么？ - 金硕的回答&/a&&br&&figure&&img src=&https://pic4.zhimg.com/50/71c5ffdde9f7f29919e1_b.jpg& data-rawwidth=&962& data-rawheight=&290& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic4.zhimg.com/50/71c5ffdde9f7f29919e1_r.jpg&&&/figure&&b&二线城市：几家欢喜几家愁&/b&&br&整体上看，复苏较为温和，走势较为平稳，年末基本收复了年初失地，2015年年底房价相比2014年年底变化不太大。&br&&figure&&img src=&https://pic1.zhimg.com/50/78eea6f40dc19eb3f6c3ec_b.jpg& data-rawwidth=&962& data-rawheight=&316& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic1.zhimg.com/50/78eea6f40dc19eb3f6c3ec_r.jpg&&&/figure&分城市来看，以南京为代表的15个城市上涨，以包头为代表的18个城市下跌，涨跌互现。涨幅最大的南京为7.9%，跌幅最大的包头为3.7%。&br&&figure&&img src=&https://pic2.zhimg.com/50/dbbaa367dc03f984bc3fe58f9bcb40c6_b.jpg& data-rawwidth=&962& data-rawheight=&391& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic2.zhimg.com/50/dbbaa367dc03f984bc3fe58f9bcb40c6_r.jpg&&&/figure&&b&三线城市：愁云惨淡万里凝&/b&&br&走势来看，全年都在泥淖中挣扎，光明也仅仅是环比跌幅收窄而已。&br&&figure&&img src=&https://pic3.zhimg.com/50/08bc315b9cbee892f63b5f_b.jpg& data-rawwidth=&962& data-rawheight=&316& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic3.zhimg.com/50/08bc315b9cbee892f63b5f_r.jpg&&&/figure&分城市来看，温州、金华上涨，其余31个城市都是下跌。温州上涨1.8%，丹东领跌达5.3%。&br&&figure&&img src=&https://pic1.zhimg.com/50/bb9ef5b4a_b.jpg& data-rawwidth=&962& data-rawheight=&391& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&https://pic1.zhimg.com/50/bb9ef5b4a_r.jpg&&&/figure&&br&&b&跟答案无关的破事&/b&&br&那两位热切期盼打我脸的呢，来来来，半张脸伸出来给你打， &a data-hash=&f6a353b9e4c98be0ea5ac& href=&//www.zhihu.com/people/f6a353b9e4c98be0ea5ac& class=&member_mention& data-tip=&p$b$f6a353b9e4c98be0ea5ac& data-hovercard=&p$b$f6a353b9e4c98be0ea5ac&&@疾风飞影&/a&、 &a data-hash=&1cd2d3f3c197a5f00b52b7856bbac544& href=&//www.zhihu.com/people/1cd2d3f3c197a5f00b52b7856bbac544& class=&member_mention& data-tip=&p$b$1cd2d3f3c197a5f00b52b7856bbac544& data-hovercard=&p$b$1cd2d3f3c197a5f00b52b7856bbac544&&@MatthewT&/a&，老改名，还删答案，真让我好找啊。某位酷炫狂拽的答案虽然删了，但你的结论我截图了呢，还精心保存着的呢（心眼就是这么小，来来来，打我！！！）&br&&figure&&img src=&https://pic4.zhimg.com/50/cb568c45ad0edddc4a844dba68545cd9_b.jpg& data-rawwidth=&489& data-rawheight=&355& class=&origin_image zh-lightbox-thumb& width=&489& data-original=&https://pic4.zhimg.com/50/cb568c45ad0edddc4a844dba68545cd9_r.jpg&&&/figure&&br&&b&题外话：&/b&&br&各位就别再邀请我蒙2016年的房价了，这不2015年也没完全蒙准。&br&知乎这一年又涨了这么多用户，我如果蒙了，指不定又跳出来几个迫不及待打我脸的，小心眼的我实在应付不过来。&br&再次强烈拒绝瞎猜2016年房价走势。
最新补充：2015年年终总结见本答案最后部分。下面是原答案： ———————————————————————————————————— 这个问题比较合胃口，鉴于去年已经成功命中一回，今年也试着再来一回。 友情提示，图表较多，手机党慎入。 我们一个…
以下就是我觉得的高质量的恋爱：&br&&br&《爱》——罗伊·克里夫特&br&我爱你 &br&不光因为你的样子 &br&还因为 &br&和你在一起时 &br&我的样子 &br&&br&&br&我爱你 &br&不光因为你为我而做的事 &br&还因为 &br&为了你 &br&我能做成的事 &br&&br&&br&我爱你 &br&因为你能唤出 &br&我最真的那部分 &br&&br&&br&我爱你 &br&因为你穿越我心灵的旷野 &br&如同阳光穿透水晶般容易 &br&我的傻气 &br&我的弱点 &br&在你的目光里几乎不存在 &br&而我心里最美丽的地方 &br&却被你的光芒照的通亮 &br&别人都不曾费心走那么远 &br&别人都觉得寻找太麻烦 &br&所以没人发现过我的美丽 &br&所以没人到过这里 &br&&br&&br&&br&&br&“Love” &br&by Roy Croft &br&&br&&br&&br&I love you, &br&Not only for what you are, &br&But for what I am &br&When I am with you. &br&&br&I love you, &br&Not only for what &br&You have made of yourself, &br&But for what &br&You are making of me. &br&I love you &br&For the