跑步机上边跑边顶第三章(《Geocomputatio)

顶康科技召回56台亿健牌黑豹007型跑步机 存安全隐患

来源：中国经济网

中国经济网北京7月5日讯 国家市场监督管理总局昨日公布的“顶康科技有限公司（以下简称：“顶康科技”）召回部分电动跑步机”显示，日前，顶康科技按照《缺陷消费品召回管理办法》的要求，向国家市场监督管理总局备案了召回计划，将自7月4日起，召回部分2014年12月至2015年1月期间制造的亿健牌黑豹007型电动跑步机，涉及数量为56台。

本次召回范围内的电动跑步机，因缺少提示消费者应阅读说明书的象形标识、脚踏板宽度不符合标准要求，存在可能导致使用者忽略安全注意事项或跌落的安全隐患。对于召回范围内的电动跑步机，顶康科技将积极落实企业主体责任，开展缺陷产品召回、安全技术改进工作，提升产品质量安全水平，并免费为客户更换一块全新的符合国家标准要求的脚踏板和带有阅读使用说明书象形标识的面贴，以消除安全隐患。

顶康科技将自7月4日起在官方网站（www.yijianfit.com）上发布召回计划，提示持有受影响产品的消费者停止使用该产品并联系顶康科技进行免费更换。

以下问公告原文：

顶康科技有限公司召回部分电动跑步机

日前，顶康科技有限公司按照《缺陷消费品召回管理办法》的要求，向国家市场监督管理总局备案了召回计划，将自即日起，召回部分2014年12月至2015年1月期间制造的亿健牌黑豹007型电动跑步机，涉及数量为56台。

本次召回范围内的电动跑步机，因缺少提示消费者应阅读说明书的象形标识、脚踏板宽度不符合标准要求，存在可能导致使用者忽略安全注意事项或跌落的安全隐患。对于召回范围内的电动跑步机，顶康科技有限公司将积极落实企业主体责任，开展缺陷产品召回、安全技术改进工作，提升产品质量安全水平，并免费为客户更换一块全新的符合国家标准要求的脚踏板和带有阅读使用说明书象形标识的面贴，以消除安全隐患。

顶康科技有限公司将自即日起在官方网站（www.yijianfit.com）上发布召回计划，提示持有受影响产品的消费者停止使用该产品并联系顶康科技有限公司进行免费更换。用户可登录顶康科技有限公司官方网站查看使用的电动跑步机是否为受影响的产品，或通过客户服务热线（400-8673-344）进一步了解具体情况。用户也可登录国家市场监督管理总局缺陷产品管理中心网站（www.dpac.gov.cn）以及关注微信公众号（SAMRDPAC）了解更多信息。此外，用户也可拨打国家市场监督管理总局缺陷产品管理中心热线电话：010-59799616反映召回活动实施过程中的问题或提交缺陷线索。

《Geocomputatio

作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言高效数据处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。

最近在学习R语言空间分析，Geocomputation with R是一本非常优秀的教材，英语简单易懂，代码和例子也非常典型。这里给出Chapter 3 Attribute data operations | Geocomputation with R我自己做的答案，供参考。如有误，望指正。代码如下：

library(pacman) p_load(sf,raster,dplyr,stringr,tidyr,spData) data(us_states) data(us_states_df) # 1 us_states_name = us_states %>% select(NAME) # 2 us_states %>% select(contains("pop")) # 3 us_states %>% filter(REGION == "Midwest") us_states %>% filter(REGION == "Midwest" & as.numeric(AREA) < 2.5E5 & total_pop_15 >= 5E6) us_states %>% filter(REGION == "South" & as.numeric(AREA) > 1.5e5 | total_pop_15 >= 7E6) # 4 us_states %>% st_drop_geometry() %>% summarise(sum = sum(total_pop_15),max = max(total_pop_15),min = min(total_pop_15)) # 5 us_states %>% st_drop_geometry() %>% # distinct(NAME,REGION) %>% count(REGION) # 6 us_states %>% group_by(REGION) %>% summarise(total = sum(total_pop_15),min = min(total_pop_15),max = max(total_pop_15)) # 7 us_states_stats = us_states %>% left_join(us_states_df,by = c("NAME"="state")) # sf # 8 us_states_df %>% anti_join(us_states,by = c("state"="NAME")) # 9 & 10 us_states %>% mutate( density_pop_10 = total_pop_10/as.numeric(AREA), density_pop_15 = total_pop_15/as.numeric(AREA) ) %>% mutate(change_pct = (density_pop_15 - density_pop_10)/density_pop_10*100) -> res_9 res_9 plot(res_9["change_pct"]) # 11 us_states %>% rename_with(tolower) # 12 us_states_stats %>% select(median_income_15,geometry) %>% rename(Income = median_income_15) # 13 us_states_stats %>% mutate(change_median = median_income_15 - median_income_10) us_states_stats %>% group_by(REGION) %>% summarise(max = max(median_income_15),min = min(median_income_15),avg = mean(median_income_15)) us_states_stats %>% group_by(REGION) %>% summarise(increase = (sum(median_income_15) - sum(median_income_10))/sum(median_income_10)) %>% slice_max(increase) # 14 elev = raster(nrows = 6, ncols = 6, res = 0.5, xmn = -1.5, xmx = 1.5, ymn = -1.5, ymx = 1.5, vals = 1:36) dim(elev) elev[1,1];elev[1,ncol(elev)];elev[nrow(elev),1];elev[nrow(elev),ncol(elev)] # 15 grain_order = c("clay", "silt", "sand") grain_char = sample(grain_order, 36, replace = TRUE) grain_fact = factor(grain_char, levels = grain_order) grain = raster(nrows = 6, ncols = 6, res = 0.5, xmn = -1.5, xmx = 1.5, ymn = -1.5, ymx = 1.5, vals = grain_fact) freq(grain) levels(grain)[[1]] %>% filter(ID==3) # 16 hist(elev) boxplot(elev)