本场比赛前7分钟火箭发挥还不错，最高取得了10分的领先（11-21），但受上一场力拼森林狼三个加时影响，火箭诸将体能逐渐不支，慢慢失去优势。虽然巴丁格整场替补发挥出色，无奈，随着阿里扎上篮不进，比分定格在了115-106。

相比热火发烫的53.6%投篮命中率，火箭发挥比较正常，48.7%。火箭唯一问题出现在了失误方面，8-15，如果火箭失误控制的好，也许结果可能是另外一个结果。

比赛过程中，杨毅提到（大致意思）：由于没有超级球星，火箭必须比其他球队付出更多的努力才能获得胜利，也就是说其他球队会从容地为季后赛调整状态。火箭没有这个资本，为了常规赛的成绩，火箭进入疲劳期的时间要更早。要保证后面的球队成绩，要么莫雷尽最大能力交易，补充火箭；要么阿德尔曼通过更加合理细致的轮转，让每个核心球员得到充分休息。

问题来了：在不改变现有火箭球员结构的前提下，火箭的战术轮转体系中，球员的位置如何？

引子：

本场比赛火箭一共20个助攻，Brooks 和 Battier 分别助攻了最高的5个和4个。每次助攻都会涉及两位球员，那么本场比赛所有助攻结果综合在一起，即我们将助攻者和被助攻者之间的关系使用社会网络关系表现出来，会有一些有趣的现象：

注释：

箭头方向是助攻方向，比如最下面的是 Shane Battier 给 Chuck Hayes 的助攻。

1. Brooks 无疑是比赛的发起者，我们发现他的助攻几乎包括了中锋、前锋位置的所有人（但不包括阿里扎，好像我记得有个镜头阿里扎要球，Brooks 没有理会）。
2. Battier 既是助攻的受益者，又是助攻的发起者。个人一直比较喜欢的球员，篮球智商非常高。
3. Budinger 这场比赛发挥出色，同队友给予其的帮助分不开。我们看到很多个球员对其都有直接帮助。
4. Andersen 从助攻网络关系角度看，属于一个策应型中锋，而且是由里向外策应的那类。从比赛中观察，似乎球风有些偏软（本赛季我第一次看直播比赛 ^_^）
5. Ariza 接受的助攻并不多，只有 Battier 的一次，其他都是给别人的助攻，和 Brooks 一样，属于个人能力比较强，擅于自己创造得分机会的球员。

假如：

1. Brooks、Battier、Ariza、Andersen 在火箭进攻体系中位置比较重要，轮转的时候尽量保证其中的两人或三人同时在场。
2. Budinger 属于绝好的替补球员，但似乎不适合同 Battier、Hayes 同时在场。
3. Lowry 在组织进攻方面能力欠佳，使用上须谨慎。

更新分割:

40场比赛助攻数据同时考虑，结果有些凌乱：

注：这个赛季火箭队有一些球员实际上并没有真正的进入轮转，比如"Tracy McGrady","Mike Harris","Jermaine Taylor","Pops Mensah-Bonsu","Brian Cook"。虽然有些球员（比如麦蒂）的确对球队的（被）助攻仍有帮助，但贡献非常有限。出于结果整洁性的考虑，上图已将这些球员因素剔除。

由于绘图算法使用的是 Force-based_algorithms，也就是说这种算法做出的图，边（edges）会尽可能的少。解释为，对球员关系的影响就是：

同其他球员关系比较多的球员将绘制的比较靠近中心，而关系较少的球员会绘制在相对靠外的位置。

重新观察火箭队助攻网络图，发现：

1月16日对热火比赛中，Kyle Lowry 和 Trevor Ariza 发挥的确出了问题，尤其是 Lowry 这点上。

Brooks、Ariza、Scola、Lowry、Battier 在助攻重要性角度上，占据球队的前五位。如何使用“田忌赛马”的策略制胜，则是教练组的问题。

让我欣慰的是 Hayes 的重要程度要比 Andersen 要好，单单从上一场比赛上看，Andersen 发挥的有些超常。

P.S. 维基百科上没有区别 “有向网络”和“无向网络”的 page rank ，上个表中的 page rank 值属于“无向网络”值，同上面的图略有区别（有向网络中，Lowry 的关键性仅比 Hayes 高，有些无奈）。

以前就想写一篇博客，讲述 Google 给我们生活带来的便利，这不，再不写，也许再也没有机会了。为什么说没机会了，是因为 Google 官方博客的一篇文章——A new approach to China（抱歉，因为是订阅的内容，已经被墙了，我实在不能找到链接，不过可以访问这里，中文翻译的和原文），也许真的有一天 Google 会撇下我们。

说到 Google，感慨颇深。以前在人大读书的时候，受舍友影响，从来不知道有其他的搜索引擎，不论干啥，第一反应就是 Google 之。后来，Google 进入中国，正式提出”谷歌“的中文名称，当时我还笑话 Google 的中文名太傻。而现在呢，患有严重的 Google 依赖综合征，算是交代了。

Google 最适宜对英文资料的搜索，很多童鞋对 google.com 和 google.cn 感觉一样，实际上是有区别的。用一句很低俗很低俗的话来说就是，google.cn 是被阉割过的 Google（虽然仍然比 baidu 好很多）。举个最简单的例子，google.cn 是没有账户信息的，也就是说，你不能通过 google.cn 来登录 Google 的服务。而且似乎在中国，在浏览器中使用 Google 会默认指向 Google 中国。再换句话说，我们一般会把 Google 认为是一个很普通的搜索引擎，但实际上如果登录 Google，会发现别有洞天。

• Gmail：Google 的 一款优秀的 mail。还记得最早 Google 开放邮件系统，没有独立注册的地方，必须通过其他人邀请。
• Google Reader：每天开电脑后，要做的第二件事（第一件事是 foxmail 收取 gmail）。信息需要捕捉，使用书签记录互联网信息那是 web1.0 时代，现在我们有 RSS，Google Reader 可以带领我们翻墙去学统计，sigh！不过有个问题就是，如果你恰好在某个站点看到了一个很好的文章，而上面又有一个pdf链接……点击，浏览器报告错误链接……噢，那是在墙外。哪位童鞋有好办法解决，请告之。
• Google Group：顾名思义，是小组讨论的论坛，很多志同道合的童鞋发言交流思想的地方。比如，申请了 TopLanguage，COS R Team 等，不过我更倾向把它归为 maillist 的一种，就和 R 的Mailing Lists 一样。
• Google Alert：Google 中国翻译成“快讯”，恰到好处。它能告诉你每天最新发生的事情，当然发生的事情是你用关键词来定义的。

办公类：

• Google Notebook：真正意义的互联网笔记本。
• Google Docs：美国华盛顿特区政府官方使用的办公软件。挺好的，国内不知为啥又被封掉。
• Google Talk：非常适合办公环境的即时聊天软件，聊天记录保存在 Gmail 帐号里，支持语音功能，同时有 gmail 邮件通知。
• Google code：直接参考 R 的 sqldf 包 http://code.google.com/p/sqldf/

网站类：

• Google Analytics：做网站的朋友肯定对它非常熟悉。
• Google calendar：日程，合理规划时间是成功的必要条件。
• Google Site 和 Google pages：功能上感觉比较类似，都是用来做站点的，但都不能用了，sigh again!
• Goolge Picasa：图片分享，也不能用了
• Google blog：其实挺好的 blog，由于众所周知的原因，被封了（偶尔也会能上）。唯一可惜的是，上面有很多不错的统计资源。

软件类：

• Google 输入法：拼音输入法，表现中规中矩，可以同步用户词典。
• Goolge 浏览器：感觉和 firefox 差不多，当然远远比 Internet explore 好很多很多辈（强调一下——不是倍）。
• Google 词霸：自从有个这个，我就不再买正版的金山词霸。配合 neospeech 的 TTS （text-to-speech），挺舒服 ^_^
• Google Earth：这个就更不用说了吧，我能通过它找到我家屋顶。

我这里只是简单了列了一下常用的 Google 服务，像一些比如 Google 学术搜索、Google 生活搜索、地图、桌面之类的我都没有提到，但它们都在或多或少的影响着我们的生活。

还是那句话——我患有严重的 Google 依赖综合征。

最近《阿凡达》应该是大陆电影市场最为火爆的电影了，媒体（包括博客）铺天盖地的报道，终于让我没按耐住性子。不过想到大早起排队去买 imax+3D 的痛苦，只好退而求其次去看 3D 版。

在影院看的时候还是非常震撼（虽然架着两个眼睛很累）：

• 阿凡达讲述的故事依旧很俗套，正义战胜邪恶，男女主人公收获爱情。
• 特效相当赞，虽然没有感受 imax 版本，但普通 3d 效果让人印象非常深刻
• 召集外星部族抵抗地球人的那段演讲，让我想起了《勇敢的心》里华莱士那段

为什么《阿凡达》这么火，网上诸多评论。有人说是今年影迷对国内电影的绝望（三枪），也有上升到综合国力的问题（冯导的）。我也凑个热闹，跟风总结一下不靠谱的：

• 《阿凡达》实际上是一部日本（美国）动漫的电影版：好像依稀记得小时候看过的《太空堡垒》这部漫画，男主人公最后就是爱上了一个女性外星人。
• 地球人是为了一种“磁悬浮矿石”才到潘多拉行星的，噢，这是传说中的“沙丘”的引子……
• 《阿凡达》讲述了一部外星人原住民，即钉子户抵抗暴力拆迁的故事……

最后一个更为不靠谱，看完之后我一直在怀疑卡梅隆卡导是不是魔兽争霸的粉丝，要么就是收受了暴雪公司的贿赂，替人家做商业宣传。这里总结一下国内某著名w3论坛中对《阿凡达》的故事情节叙述：

刚开始，人族（地球人）经济科技都有绝对的优势，依靠 100 人口高攻防的飞机（船）、坦克、火枪手打爆了暗夜精灵的生命古树。但是在骑乘着奇美拉的恶魔猎手的带领下，暗夜精灵集结了 100 人口的角鹰骑士+女猎+弓箭手的立体混合兵种，但因没有升级攻防而处于下风。关键时刻，由于人族不小心勾到重甲野怪，导致大量中立生物攻击人族。在暗夜大军和中立生物的联手攻击下，人族无奈溃败。

最终英雄的单挑结局是：虽然拥有 6 级技能——天神下凡的山丘之王打败了同样早早拥有 6 级变身能力的大恶魔，但是由于厮杀过度，没血没魔，最后被一个红血的弓箭手连射两箭给搞定。

最后还附了一下卡梅隆导演打魔兽的一些技巧感想：

• 最后决战的时候千万要小心，别打到中立生物。
• 角鹰骑士的攻击值太低，打不过直升机；但是角鹰能打过。
• 女猎打不过火枪兵。
• 在重甲野怪面前，火枪不堪一击。
• 骑着奇美拉的恶魔猎手非常拉风，估计卡导肯定用的这个游戏bug......

前一段时间，John Baez 在自己的主页上更新了一篇文章名为he Beauty of Roots ，这篇文章之后在“科学松鼠会”上被《多项式的根之美》 转载。上面提到了曼德布洛特集，根据其发明者法国数学家Benoît Mandelbrot 而命名。

曼德布洛特集是一种分形，从一般分形性质来说：

客观自然界中许多事物，具有自相似的“层次”结构，在理想情况下，甚至具有无穷层次。适当的放大或缩小几何尺寸，整个结构并不改变。不少复杂的物理现象，背后就是反映着这类层次结构的分形几何学。

常见的曼德布洛特集是这个样子（分辨率原因，部分细节显示不够）：

假如我们把这个集合的下半部分（最下边的小块）分割出来，就是这个样子（8倍放大）：

由于分辨率的提高，所以显示了第一幅图中并没有显示的细节。

继续放大，上图的左上部分的那个小枝（6倍放大）：

再把上图最靠近左边的那个小枝——放大（50/3倍放大）：

继续放大最左边的小枝，似乎在末端又出现了一个类似的小枝（5倍放大）：

如果继续放大下去可能还是这个样子 ：）

注释：

1. 最后一张图相比第一张图来说相当于局部放大了 4000 倍。
2. 高质量的矢量绘图数据量比较大，R 处理起来有些问题，只好使用局部放大的方式。
3. 更多的使用其他软件绘制图形可以见：http://commons.wikimedia.org/wiki/Mandelbrot_set

附代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108

setwd("D:\\doc\\Mandelbrot\\pic")
# Another neat animation of Mandelbrot Set
jet.colors <-
  colorRampPalette(
    c(
      "#00007F",
      "blue",
      "#007FFF",
      "cyan",
      "#7FFF7F",
      "yellow",
      "#FF7F00",
      "red",
      "#7F0000"
    )
  ) # define "jet" palette
m = 400
C = complex(real = rep(seq(-1.8, 0.6, length.out = m), each = m),
            imag = rep(seq(-1.2, 1.2, length.out = m), each = m))
C = matrix(C, m, m)
Z = 0
for (j in 1:20) {
  Z = Z ^ 2 + C
  X = exp(-abs(Z))
}
png("scale1.png")
par(mar = c(0, 0, 0, 0))
image(X, col = jet.colors(1000))
dev.off()



m = 400
C = complex(real = rep(seq(-1.6, -1.3, length.out = m), each = m),
            imag = rep(seq(-0.15, 0.15, length.out = m),      m))
C = matrix(C, m, m)
Z = 0
for (j in 1:20) {
  Z = Z ^ 2 + C
  X = exp(-abs(Z))
}
png("scale2.png")
par(mar = c(0, 0, 0, 0))
image(X, col = jet.colors(1000))
dev.off()


####

m = 400
C = complex(real = rep(seq(-1.4, -1.3, length.out = m), each = m),
            imag = rep(seq(-0.15, -0.05, length.out = m),      m))
C = matrix(C, m, m)
Z = 0
for (j in 1:20) {
  Z = Z ^ 2 + C
  X = exp(-abs(Z))
}
png("scale3.png")
par(mar = c(0, 0, 0, 0))
image(X, col = jet.colors(1000))
dev.off()


m = 400
C = complex(real = rep(seq(-1.35, -1.30, length.out = m), each = m),
            imag = rep(seq(-0.13, -0.08, length.out = m),      m))
C = matrix(C, m, m)
Z = 0
for (j in 1:20) {
  Z = Z ^ 2 + C
  X = exp(-abs(Z))
}
png("scale4.png")
par(mar = c(0, 0, 0, 0))
image(X, col = jet.colors(1000))
dev.off()


m = 400
C = complex(real = rep(seq(-1.3280, -1.3250, length.out = m), each = m),
            imag = rep(seq(-0.1225, -0.1195, length.out = m),      m))
C = matrix(C, m, m)
Z = 0
for (j in 1:20) {
  Z = Z ^ 2 + C
  X = exp(-abs(Z))
}
png("scale5.png")
par(mar = c(0, 0, 0, 0))
image(X, col = jet.colors(1000))
dev.off()


m = 400
C = complex(real = rep(seq(-1.3276, -1.3270, length.out = m), each = m),
            imag = rep(seq(-0.1221, -0.1215, length.out = m),      m))
C = matrix(C, m, m)
Z = 0
for (j in 1:20) {
  Z = Z ^ 2 + C
  X = exp(-abs(Z))
}
png("scale6.png")
par(mar = c(0, 0, 0, 0))
image(X, col = jet.colors(1000))
dev.off()

北京场

拖到今天写随笔，还是有很多想法！不过大家已经先我一步，已经有太云那儿，菁菁师妹那儿，还有遥远的益辉那儿。

12 月 5 日：

• 堰平师弟非常辛苦，记得刚刚得知 yihui 师弟远赴美国后，我就在想，第二届会议 谁来组织？当时脑子里的第一印象就是堰平师弟，后来 yihui 临走前，大家去 K 歌，我还特意问了一下 yihui，果不其然……
• 高涛、李程从统计图形角度对 R 软件进行了介绍，虽然我平日用的图形也很多，但这么系统详细的总结一定没少花心血。当时第一印象是台下的 SPSS China 和 SAS China 的兄弟姐妹听了是什么感受……（罪过罪过）
• 菁菁师妹第一次认识是在 cos 上有一篇关于 RExcel 的用法的文章。师妹像极了我我大学时的同学，刚到会场时险些脱口而出。更令我惊讶的师妹的涉猎，江山辈出人才，巾帼不让须眉！
• 钟其顶大哥以前就认识，记得第一次谋面谈的是 PLS，没想到的是 machine learing 的算法在食品行业居然有这么多的应用，佩服佩服！
• 肖楠关于《R 环境安全特征初探和前瞻》给了大家一个全新的认识 R 的视角，记得会前我还特意询问了一下，结果听了一遍还是没懂。直到演讲一半时我才终于恍然大悟，是啊！R 的这个特性如果被人利用，损失可就大了！
• 石油大学宫雨教授：通读 40 万行 R 代码的绝世牛人，从 IT 应用角度重新诠释 R 的优劣势。太牛了，没啥说的……
• 刘永生老师使用 R 的时间也非常超前，2001（2003）已经开始在中国地质环境检测院使用 R，又一个孤独的世外高人。
• 奚谭去年就见到一次，非常严谨的一个帅哥。讲的灰色系统理论，以前没怎么听过，有时间序列的感觉。太云那提了一句“统计界貌似关注很少”，自己有些孤陋寡闻了……
• 祝迎春的本子里居然装的是正版 SPSS，晚间调侃“他笔记本里单软件就得100w+，大家赶紧打劫去，啊哈哈”。
• 孙晓燕一行特地从北大深圳研究生院过来，虽然我不懂心理学，虽然没听太懂，但实在感动……

12 月 6 日：

• 左辰应该是第三次见面了，印象最深的是他以前的一篇关于降维的博文，才俊
• 太云的矩阵可视化又一次让我吃了一惊，关系的学科和技术太多了。相关矩阵都描述不了，我这文字就更不用提了，大家移步至优秀是一种习惯，或者直接参考 corrplot 包。
• 陈丽云，山东大学的超级才女，和太云一样，看看博客啥都知道了。
• 孙蝶，大P小N——开始还真没猜到是啥，听报告发现原来是变量大于样本数据的处理，又一次见到 lasso，额……
• 王化儒博士在空间分析上的 R 应用也非常精彩，举止儒雅，尤其是从北师过来的，倍感亲切！
• QSAR 是啥可能这辈子我都不会搞清楚了，但依稀记得演讲者马斌好像是手抄4000+数据的那个牛人，哈哈
• 丁鹏演讲时说的“估计我很难把 Winbugs 讲清楚”，呵呵，青年学者中一杆 Bayes 大旗！
• 黄志一的 WebR-R 给在座的科研人员打了一剂兴奋剂，要知道“云计算”可是现在主流

辛苦的会务组：

1. 陈主席、范师弟、邱师弟（可爱的人）、关师妹，两位学弟
2. 中南一行，当然还有远在美国的 yihui 。

遗憾：

1. 得知吴喜之老师远赴伯克利，思绪万千。想起老师带我们学 R 的那一年，想起第一次看到 LaTeX 黑压压地编译，想起……
2. yanlinlin 的演讲只能明年听得了，期待
3. 如果不是6日晚上还有事，肯定去火车站陪张翔去了

12 月 14 日上海场

很早以前就听人说过，北有北师，南有华师，不过因为专业和地理原因，一直以为自己不会和华师有什么关系。这次承蒙张翔和焦静的辛苦组织，华师的资环和金统学院联合主办中国 R 语言会议（上海）。在华师不但让我见识了 LaTeX 、R 界的前辈——汤银才教授，还结识了一大批业界精英、青年学者，倍感荣幸。

华师的大门和我想象的差不多，里面古朴的建筑风格也别具一格。无奈天公不作美，上海这几日阴雨霏霏，没有好好的在华师内仔细转转。

最后是趣闻几则：

• 中芯国际的林光启博士，演讲时提到自己生长于德州，然后马上注解了一句：“不是山东的德州啊，是美国的那个！”额……
• 周六晚上大家一起聚餐，席间汤银才老师提到当年他和吴凌云的学术交流，Oh，那可是传说中的人物。汤老师还提到，他给统计系讲 R 的时候，会和大家说：“有问题就去 COS 上问，肯定有人回答！”啊.....
• 回到住处，准备再补几张演讲材料，结果发现笔记本电力不足，遂向前台借插线板（notebook是欧货，需要欧标插头），被告知“对不起，没有！”于是乎，要补的材料，一概没加。第二天，大家发现演讲时间严重不足，还好没有插线板，不然……罪过！
• 周日上午，林桢舜师兄做最后总结，说到：“我们一定要与时俱进……”，还不忘强调一下：“这是党说的！”我当时几乎翻了，因为林师兄是台湾人，博士期间来的大陆。不知道说的这个是不是我朝，OMG！
• 傍晚同中南一行地铁内转车，路上一直在说上海地铁的自动门很恐怖，发生过很多次事故……在某一站换乘时，人太多，自动门发出警告时，刚好我是外面的最后一个，额！下意识退后一步，哈哈，隔着自动门和大家 goodbye !