內楗術

鬼谷子的縱橫之術以前就賣過書籍來看，只不過當時太年經了看不是很懂，記得這本書目前還在書架上，而這本書記得在台北的時候就賣了，當時記得在高雄買的，但直到台中後才看懂捭闔之術，但也只是捭術，今天要睡覺前看YT有人講內楗術，記得在哪本書也看過，但看不懂透過YT似乎了解甚麼式內楗術。

內楗術可分為兩個字來看，就內取得別人對你的信任；楗就是對別人出謀劃策；原文的意思要取得別人的信任猶如開一閃門進入別人的內心，也就是取得別人的信任；而楗就門的門栓意在為他人出謀劃策。

所以內楗術的第一步就是內取得他人的信任，才能進行楗出謀劃策；而要取得別人的信任是一件不容易的事，因此你必須評估別人的喜好及心裡想要甚麼，而要取得一個人的信任，依鬼谷子有四種方向包含道德、結黨、財貨、美色等四種管道來取得他人對你的信任，而實際應用範例可用一下春秋時代一個故事來說

春秋時代中山王有兩個妃子，而中山王想要冊封皇后其中陰姬想要當皇后，此時來請教司馬喜病有重謝，司馬喜並沒有立即跟中山王建議要冊封陰姬為皇后，而跟中山王說他知道如何讓中山國強盛鄰國衰弱之法，中山王聽完大為高興並請教司馬喜如何實施，司馬喜說他必須對照國考察風土民情及軍事重地，回來後才能制定詳細計畫，中山王聽完即付重金給司馬喜去趙國考察。

去趙國拜會趙王說，聽說趙國出美女但來了多日並無美女，而本國陰姬妃子是如何的傾國傾城，好色的趙王聽了心動了，司馬熹回中山國後跟中山王說，趙王根本是個混蛋貪圖大王妃子陰姬的美色，想占為己有，若我們不給我門又打不過趙王，若給了大王又會被諸國貽笑，解決此辦法可將陰姬冊封為皇后，若趙王強行要陰姬也會被諸國批評毫無道德感，連別國的皇后也搶，中山王聽完大為高興並冊封陰姬為皇后。

上述的例子可以看到陰姬想要皇后、中山王想要國家富強、趙王貪圖美色，這三人內心想要的東西及慾望，司馬熹利用他們想要的東西取得他們的信任，並使用連環計讓陰姬獲得他想要，並創造中山國的危機，讓中山王緊張司馬熹巧妙解決。

雖說這是一個內楗術典型的案例，但在真實的世界要取得他人的信任並不是很容易，所以鬼谷子說

內者，進說辭也

楗者，楗所謀也

內者要取得別人的信任必須持續評估他人的內心及他們想要的，當你認為它們想要的東西評估錯時，必須等待時間及環境的變化，以觀察真正它們的內心，而時間及環境的變化會刺激當事者的內心，因此必須等待觀察不用急於出謀劃策，也就是下列兩句話

欲說者務隱度(內者持續平他人想要)

計事者務循順(順者他人言語，在改變他人的意圖，可用以下故事)

戰國齊國有依讀書人很會養鳥，被齊景王召入宮邦齊景王養鳥，有一天齊景王最心愛的鳥因養鳥人不慎讓鳥飛了，齊景勃然大怒要把養鳥人給殺了，此時，晏嬰說養鳥人有罪三條，第一條鳥飛走為一罪，二罪讓世人知道大王因鳥要殺讀書人，三罪畜生比人還重要以後如何有才幹的人敢進齊國做事，齊景王聽懂利害關係就放了養鳥人。

上述就是循順，先順者對方的言語講，到後面在闡述厲害之關係，應用在現實的社會大家都喜歡有人力挺的感覺。

當然取得他人的信任後，所出謀劃策必須可行

如何使用R分析資料

今年三月參加IT幫邦忙鐵人賽完成一個月對R的分析初探，老實說當初對探索式分析

並不是很了解，只是對語法有認知但對於內部的核心你說不懂嗎?好像又懂!

所以在中午吃飯時瀏覽網頁看到R部落格中一篇文章，將dplyr很有架構說了一遍並配合程式範例，比我之前懵懵懂懂更能理解dplyr。

dplyr包含select、filter、arrange、summarize、_group_by等五個語法組合應用，對於內涵而言就是探索式分析，當然這是大數據的語言聽起來很有學問，其實就已起的T-SQL語法，寫過程式的人都知道，若是不式重新開發的系統，一定會有資料庫，程式設計師一定會去看資料庫，從每筆紀錄來了解每個欄位的意義，若是有統計看是哪一個欄位進行次數或數字的加總。

專案經理或系統分析師會從更大的視角來看所有的資料，來發現使用系統的單位所面臨的現況及業務真實的情況，但T-SQL語法有時用起來很僵化使用起來並直覺，下一個指令想半天，所以R提拱五個指令就可以優游於資料當中，並從資料發現你像要有的資訊，並提供業主更有用的資訊或是將發現後的結果經業主認同開發出儀表板系統，讓他們可以知道能了解業務有用的資訊。

這就是探索式分析在商業有用的價值，要不學了R語言也不知要幹麼?這也是目前資料倉儲很多軟體所提供的功能，今天透過範例再度了解R探索式分析。

這一次採用的資料集為gapminder，該資料夾為針對142個國家/地區中的每個國家/地區，提供了從1952年到2007年的每五年預期壽命，人均GDP和人口值。

第一步：安裝套件，並觀看資料內容

library(dplyr)

library(gapminder)

head(gapminder)

從圖上來看總共有六個變數

第二步：資料表列的選擇

gapminder %>% select(country,year,pop)

但是，如果您有幾十個列，並且只有其中幾列不需要其他都需要，該怎麼辦？有一種更好的方法–用負號（-）作為前綴指定不需要的列：

gapminder %>% select(-gapminder$continent)

如您所見，“ 大陸” 列是唯一未顯示的列。這就是您有關列選擇的全部知識。讓我們繼續進行數據過濾。

第三步：資料篩選

過濾數據集是您在工作中最常用的操作之一。並非在給定時間所有數據都相關。有時您需要特定產品的價值或其在第一季度的銷售數字。或兩者。那就是filter()功能派上用場了。

gapminder %>% select( country , year , lifeExp ) %>% 

  filter( year == 2007)

您可以將多個過濾條件嵌套在一個內部 filter()功能。只要確保用逗號分隔條件即可。以下是為波蘭選擇2007年的方法：

gapminder %>% select(country,year,lifeExp) %>% 

  filter(year == 2007,country == "Poland")

但是，如果您想要多個國家/地區的結果呢？您可以使用

％（％）

任務的關鍵字。下面的程式碼段顯示了2007年波蘭和克羅地亞的記錄：

gapminder %>% select(country,year,lifeExp) %>% 

  filter(year == 2007,country %in% c("Poland","Croatia"))

如果您理解這些範例，那麼您將了解數據過濾。讓我們繼續進行數據排序。

第四步：數據排序

有時您希望數據按特定列的值排序。例如，您可能希望按年齡升序或降序對用戶或分數進行排序。您可以輕鬆實現此行為

dplyr

 –arrange()內置 功能。

gapminder %>% select(country,year,lifeExp) %>% 

  filter(year == 2007) %>% arrange(lifeExp)

如您所見，數據由lifeExp 列升序排列 。大多數情況下需要降序排列。實施方法如下：

gapminder %>% select(country,year,lifeExp) %>% 

  filter(year == 2007) %>% arrange(desc(lifeExp))

有時您只希望返回幾行。的

top_n （）

函數使您可以指定應顯示多少行。這是一個例子：

gapminder %>% select(country,year,pop,gdpPercap) %>% 

  filter(year == 2007) %>% mutate(gdp=pop*gdpPercap) %>% 

  arrange(desc(gdp)) %>% top_n(5)

就訂購而言就是這樣。下一步–派生列。

第五步：建立計算結果欄位

用 dplyr，您可以使用 mutate（）函數來創建新屬性。新的屬性名稱位於等號的左側，內容位於右側–就像聲明變量一樣。

以下示例將GDP計算為人口與人均GDP的乘積，並將其存儲在專用列中。在此過程中進行了其他一些轉換：

gapminder %>% select(country,year,pop,gdpPercap) %>% 

  filter(year == 2007) %>% 

  transmute(gdp = pop * gdpPercap) %>% 

  arrange(desc(gdp)) %>% 

  top_n(5)

代替 mutate()，您也可以使用 transmute()。有一個嚴重的區別–transmute()僅保留派生列。讓我們在上面的示例中使用它：
gapminder %>% summarise(avgLifeExp = mean(lifeExp))

第六步：計算匯總統計

摘要統計不需要任何介紹。在許多情況下，您需要計算列的簡單平均值。以下是計算整個數據集的平均預期壽命的方法：

gapminder %>% filter(year == 2007,continent == "Europe") %>% 

  summarise(avgLifeExp=mean(lifeExp))

第七步：分組

與分組結合使用時，摘要統計信息將變得更加強大。例如，您可以使用

group_by （）

函數計算每個大陸的平均預期壽命。這是如何做：

gapminder %>% filter(year == 2007) %>% 

  group_by(continent) %>% 

  summarise(avgLifeExp = mean(lifeExp)) %>% 

  arrange(desc(avgLifeExp))

另一個強大的功能是 if_else （）。在創建其值取決於某些條件的新列時，可以使用它。

例如，以下是創建名為over75的列的 方法， 如果一個大陸的平均預期壽命超過75，則其值為 Y，  否則為N：

gapminder %>% filter(year == 2007) %>% 

  group_by(continent) %>% 

  summarise(avgLifeExp = mean(lifeExp)) %>% 

  mutate(over75 = if_else(avgLifeExp>75,"Y","N"))

結論

您已經了解瞭如何使用R來分析數據 dplyr。它是目前對開發人員最友好的軟件包之一，比Python競爭對手Pandas簡單得多。 

閱讀本文後，您應該能夠分析和準備任何類型的數據集。當然，您可以做更高級的事情，但是通常這些只是您今天學到的東西的組合。

Word樣式

以前在前公司對於公司在寫服務建議書  都以章節變成每一個檔

然後大家寫完後需要排版  很不可思議的是排版需要熬夜才能完成

是大家不熟我覺得是  於是我就說服務建議書一開始就以一個檔案不是很好嗎?

前公司的工程師開始就使用一個檔案  然後我又說Word有樣式嗎?

這位應用工程師就開始使用簡單的樣式撰寫彙整服務建議書

時光荏然我成為主管了  有話語權下面帶了兩個應用工程師

我叫它們依據章節項次依序設定樣式  我記得搞了一兩個禮拜

看過一次竟然超出我的預期  竟然將樣式設得很細

老實說當初我下這個命令時  我根本就不會

沒想到就將Word樣式給設定出來  未來就使用這個範本

這一用就十年在使用的過程發現  這個範本有一些地方設定的很不好

但想改又沒有勇氣因為我只會用  如何設定我根本不知道

發現一些問題就調一下整本報告書  版型也無可挑剔

既然沒問題也就當作沒問題  也沒花時間在這上面

到了寫論文章節項的格式不是採用章、節、項，而是採用章、1.1、1.1.1的方式

我開始設定樣式第一章時很順利  到了第二章的節與項就要重設一次

換言之若是你的報告書有七章  你必須設定七次的節與項

並且每章的節與項數量不一  若是很多的是你必須一直設定

這對在寫論文構思時是一個打斷思緒的點  讓我很不舒服

所以在想這一次是論文提案只有五章  若第二階段論文有八章

我是不是再回到之前的輪迴  心裡想我必須設定Word的樣式

想清楚就做起來就不過是一個Word嗎?  有多難!

欸.....還真難  搞了我將近一個星期  今天星期六搞了一個中午

今天才算是把所有的格式設定好  再試一下前面幾頁給他貼起來

還算是可以吧  因為將格式設定好了  原本論文處就多了一些空白

再看看吧!明天把所有的論文全部換到新的格式看看

在這些過程發現設定Word的樣式  前置作業很重要

若是寫到哪邊設到哪邊  哇!我覺得樣式會很亂

就以這次而言先將Word中的定義多層次清單一定要搞清楚

這一部分是最難的其中一個小欄位沒設定東西就不是你能預想

也經過這一次Word的格式的設定流程都界定清楚

1. 設定多層次清單，將報告的章、節、項、款、目設定，此為框架
2. 紹定每個層次中的內文，這一部分算簡單
3. 設定圖表置中，起先以為要設定文繞圖，其實不用
4. 設定圖表標號這一塊就要注意了，在Google是可以查到
5. 設定目錄要注意的是要幾個階層一般而言兩階都夠
6. 設定頁次此為目錄與內文的頁次是不同的
7. 在目錄前面在加頁但目錄與新頁頁次又不同
8. 最後就是測試貼一段正式文章看行句及其他是否合理

上述就為樣本設定八大流程，這時才依據該八大點開始撰寫

騎小折挑戰上班不遲到 第四天

 經過昨天因摺疊的愚蠢  又導致遲到

今天經過昨天的教訓在折疊的部分逐漸掌握訣竅

所今天上班8:25分到公司沒遲到

當然在操作的過程中還有些不熟捻的地方

在需要加強，在他乘捷運的線上也比較能掌握

每天早上當成一個輕微的重訓

現在我的左腳膝蓋外側就又一點痛

但我覺得不要痛就認為不好

說不定長時間沒有運動的習慣

所以膝蓋外側才會痛

騎小折上班第三天

 前天買了一台小折開始騎上班，遭遇許多災難之前還說是否可堅持

果然是一件不容易的事，這三天發生了許多事以致到公司都8:40分

第一天時因捷運路線的不清楚加上戴上小折，上下都不順，在移動時變得很不直覺

第二天時因折疊不熟悉在世運站折了好久，對捷運路線也只略知

第三天今天經過前面兩天漸漸瞭解路線的動向，知道甚麼地方可坐電梯

在摺疊也愈來愈順已經掌握，並且有信心可以8:30分到公司。

但今天在技擊館準備將小折攤開，突然對摺處的鉤環勾到鍊條，我在哪邊扯了半天

用蠻力硬扯並研究鉤環跟鍊條之間的關係，發現是完全密合硬扯是沒辦法

想說沒救了!要想公司來支援把我帶回公司，甚至想到中午回家開小白

下班再把小折再到單車店維修，再一切都想清楚並放棄時

選一個好地點叫公司的人來載我，並把後輪攤開比較好移動

神奇的事發生攤開時我看了一下鉤環鍊條都正常

立馬將小折完全攤開全部正常，原來我將小折攤開的順序不對

以致對折的鉤環鉤到鍊條，被自己的愚蠢給打敗

所以我將此做為挑戰小折上班並能準時8:30到公司

我覺得今天不是因為對摺疊不熟今天應該可以8:30分到公司

在挑戰.....................................

昨天論文線上會議 忘記參加

昨天16:30跟開開、喜平去阿珠喝酒

八點騎單車回家到家就睡著了

9:30分就沒開論文線上會議

剛有跟老師報告  其實論文提案過以及修正論文提案後

對於論文就沒再動作每天就做一點  說一動作一動  很消極

其實昨天就有在想，有很多東西可以陸續做了如

1.論文格式換APA7，這一換可能要試一下，有沒有快一點的辦法

2.資料分析統計信度、效度、KOM、球型檢定、SEM......等很多，前面練到信度及效度，效度已經稍微懂，但沒有再深入下去。

3.資料分析結果需要構思既定方案，開始撰寫雖說問卷的結果無法確定，但可預想結果如何

這三件事先執行吧!晚上回去可以先看看

最近花錢有點兇 想買小布折疊單車

前面有說買了滑鼠但昨天有買了方向盤的機油及換雨刷

就光昨天就花了2000元但想想這些都是該花銷的東西

並沒有奢侈的問題除了滑鼠以外，可說觀念的貪小便宜結果花更大

而最近年底到來了聚會聚餐也增加，相對花銷也會變得更大

而最近換了一家公司每天都開車上班，停車費、加油費、保養費都隨之增加

而小白也愈來愈老經不起如此的勞動，加上未來要跑長途小白不免折壽會較高

又動念想買一台小折之前在台中有買過一台小折

沒愛惜被人偷了，想說買KHS 1萬出頭，上網查了一些資料

其實在104年回高雄就想買KHS做通勤代步

查完之後發現很多人買了小折也就折過一次，從此就很懶得折

除非要外出遊玩才會將小折折一下放進車子裡

但這個次數一年最多折各五次，對於頻繁的折疊KHS並不適合

其實以前在中拿台小折也是如此，買了2年多也就折一次

在查完相關資料發現其實小折大多是要你出遊放進車子或做大眾運輸

並不會讓你頻繁的折疊就只有出遊時哪幾天你的折疊次數會比較頻繁

因此小折的廠商在設計折疊時出現兩個問題

1.折疊過程很麻煩，讓你折一次就不想折了

2.折疊完後小折並是很平整

而這兩點對於偶爾出遊是可以接受的，因為設計就是不是要讓你天天折疊的

但對於通勤上班的需求時這種設計就很不適用

如上捷運、鐵路、高鐵等高通勤率需要一天至少要折八次

第一折：上班前要騎到捷運站必須將小折攤開騎到捷運站

第二折：到了捷運站必須將小折折起進捷運站

第三折：出了捷運站必須將小折攤開騎到公司

第四折：到了公司必須將折疊進公司

下班回家必須將上述的過程重複一次，所以總計要八次

所以節能減碳是一句好聽的話，要讓通勤開銷降低是要付出代價的

但若能每天變成一種儀式，當要上下班都是一天的開始和結束

一天八次的折疊次數就能欣然接受

當然想像很美麗  現實很骨感  我會不會只有三鐘熱度

其實我自己也不知道，但以我目前的狀態應該可以

因為不在像以前需要日理萬機(笑)

因為不在像以前每天追著合約時間跑

因為不在像以前要說服不同類型的人

有甚麼可以證明就是現在，可以怡然寫部落格，就知道有多閒

而現在的公司我就一個化外之民  不是核心的人物

只要把高雄的專案搞定公司也不會找我麻煩

我是不是為我想買小折在說服自己

但這些也都是事實不趁著怡然工作對生活作一些調整也是一個浪費

是啊!拉回來...所以有些小折的廠商看到通勤的商機

設計輕巧的摺疊強調重量輕好折疊

但看完這些折疊發現真的很適合折疊但要買個東西

或是騎個比較遠一點點似乎又不適合

所以選來選去英國手工小布比較適合我的需求

他的折疊應該算是折疊車最平整，也是最好折的

有購物需求或上班的筆電都能有良好載物規劃

但有一項缺點就是12公斤的重量，但魚與熊掌不能兼得

再者搞得好大約要3萬5不便宜

想想自己的單車有公路車、登山車、加上這台小折算是全系列了

這也回到前篇5支滑鼠的故事，所以人買東西還是不能一頭熱

但單車這種東西只要不放在戶外淋雨基本上就是灰塵而以

不會有甚麼大問題，還是就買了!