<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by 許博惇 on Medium]]></title>
        <description><![CDATA[Stories by 許博惇 on Medium]]></description>
        <link>https://medium.com/@pkq209?source=rss-1328572141c0------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*oe7vYfKlgrJK-HA5.</url>
            <title>Stories by 許博惇 on Medium</title>
            <link>https://medium.com/@pkq209?source=rss-1328572141c0------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 17:37:05 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@pkq209/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[【讀後心得】強風吹拂]]></title>
            <link>https://medium.com/rolandohsu/%E8%AE%80%E5%BE%8C%E5%BF%83%E5%BE%97-%E5%BC%B7%E9%A2%A8%E5%90%B9%E6%8B%82-9babf345b188?source=rss-1328572141c0------2</link>
            <guid isPermaLink="false">https://medium.com/p/9babf345b188</guid>
            <category><![CDATA[小說]]></category>
            <category><![CDATA[閱讀]]></category>
            <category><![CDATA[強風吹拂]]></category>
            <category><![CDATA[閱讀心得]]></category>
            <dc:creator><![CDATA[許博惇]]></dc:creator>
            <pubDate>Fri, 28 Feb 2025 10:45:10 GMT</pubDate>
            <atom:updated>2025-02-28T10:45:10.567Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YJKpjFjxlOJmbx4ZUUBX3g.jpeg" /></figure><p>近期開始跟同事在午休時間出去跑步，突然講到正在看這部小說，這也不是我第一次聽到強風吹拂，之前聽Podcasts時就聽主持人介紹過這部漫畫，就決定要趁著農曆新年把它看完，想不到的是，原來跑步也可以這麼熱血與精彩。</p><p>強風吹拂講述十名非專司練跑的大學生，挑戰日本每年一度箱根驛傳的故事。箱根驛傳正式名稱為東京箱根間往復大學驛傳競走，由日本馬拉松之父金栗四三等人於1920年所創辦，十名跑者由東京大手町出發，接力跑至箱根蘆之湖，隔天再接力回大手町，每人需要跑約20公里，每名跑者經歷的路段不同，面臨的挑戰也各異。有寬闊平坦的城市街道，有夕陽餘暉的山裡河間，有宛若地獄的上坡路，亦有一失足則可能萬劫不復的下坡段。馬拉松不僅僅是毅力與體力的挑戰，更需要智慧及策略的展現，還需要在跑步中一次次的與自己對話，開始時需時刻提醒自己不驕不躁，遵從訂下的跑速，接近終點時更是得告訴自己再堅持一下，努力從自己的雙腿榨出最後一絲力氣，只為了追求再快個一秒。</p><p>十名大學生，大部分壓根沒想過會參加如此受日本重視的競賽，也算是被半哄半騙的踏上了這趟旅程。從一開始連五公里都累得氣喘吁吁，到最後以每公里4、5分速的誇張成績跑完21公里。這成果是一年勤奮不懈的練習，也是逐漸愛上跑步的證明。性格各異的十名夥伴，通過不同的方式鍛鍊自己，或是在跑步機上用漫畫使自己忘了跑步的痛苦，或是與夥伴一起練習互相敦促，或是自己練跑，不斷與自己對話，體悟著什麼叫做變強。</p><p>在看他們追求原本覺得不可能的成就中，感覺從每個人的身上都看到了一點點的自己，有時會累到迷失想要就此放棄擺爛 ; 有時想要進步卻不知道什麼才叫進步，不懂什麼才是真的變強 ; 有時想要熱血的做某些事情，但卻面對著畢業、工作的現實而不知道該不該放手一搏 ; 故事會如此吸引我，我想就是因為覺得我就是故事中的角色，但面對上述的情境，主角們選擇了自己心之所向，勇往直前，也像是在鞭策著我自己，再跑一段吧，感受強風吹拂，相信自己能以自己喜歡的樣子，最終獲得成就達成的美好。</p><p>跑步可以是一個競賽，也可以單純為了想跑而跑。以前總覺得，做什麼事情都應該要有意義，都應該要在最後獲得什麼，或是成長了一些，這樣沒什麼不好，但有時就會覺得有點累，也常在沒有收穫時感到壓力巨大，覺得浪費了時間。但我很喜歡書中的尼古在最後的體悟:「沒有意義也不是什麼壞事。這不是在說什麼漂亮話。跑步的目的，當然是要取得勝利，但勝利其實有許多種形式。所謂的勝利，不單是指在所有參賽者中跑出最好的成績。就像人活在這世上，怎樣才算「人生勝利組」，也沒有明確的定義。」</p><p>讀過這本書之後，希望能在未來某個時刻告訴自己 : 「不像書中的阿走，是跑步的天才，擁有最美的跑姿、最快的速度、甚至一顆極度熱愛跑步的心，那也沒關係。勝利其實有許多種形式，在自己覺得舒服，喜歡的形式中獲勝，那就足夠了。」</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9babf345b188" width="1" height="1" alt=""><hr><p><a href="https://medium.com/rolandohsu/%E8%AE%80%E5%BE%8C%E5%BF%83%E5%BE%97-%E5%BC%B7%E9%A2%A8%E5%90%B9%E6%8B%82-9babf345b188">【讀後心得】強風吹拂</a> was originally published in <a href="https://medium.com/rolandohsu">RolandoHsu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[利用R studio 將資料存入Mysql]]></title>
            <link>https://medium.com/rolandohsu/%E5%88%A9%E7%94%A8r-studio-%E5%B0%87%E8%B3%87%E6%96%99%E5%AD%98%E5%85%A5mysql-e3839307f03f?source=rss-1328572141c0------2</link>
            <guid isPermaLink="false">https://medium.com/p/e3839307f03f</guid>
            <category><![CDATA[rstudio]]></category>
            <category><![CDATA[mysql]]></category>
            <category><![CDATA[dbi]]></category>
            <dc:creator><![CDATA[許博惇]]></dc:creator>
            <pubDate>Tue, 27 Oct 2020 07:49:40 GMT</pubDate>
            <atom:updated>2021-01-07T12:51:13.686Z</atom:updated>
            <content:encoded><![CDATA[<p>近日需要將資料存入Mysql中，因此寫下這篇日記，協助自己或有需要的人在未來可以直接取用，也記錄一下遇到的問題以及搜尋而得的解法。</p><h3>大綱</h3><p>此篇文章主要分為四大部分，分別為﹔</p><ol><li>套件說明</li><li>存入 Mysql 語法</li><li>取用 Mysql 資料</li><li>問題與解法</li></ol><h3>套件說明 (DBI)</h3><p>此篇文章所使用的主要套件為 DBI，此套件主要功能為連結R語言以及各種SQL的資料庫，包含SQLite、MySQL、PostgreSQL、MonetDB等，利用 DBI 套件，我們能做到包含連結資料庫、將資料存入資料庫、將資料由資料庫取出，檢查資料庫包含物件等功能，詳細可參考 <a href="https://db.rstudio.com/dbi/">DBI 套件說明</a>。</p><h3>存入 Mysql 語法</h3><p>為使資料能順利存入 Mysql，建構自己的資料庫，我們需要完成以下幾個前置步驟，首先當然得先整理好要存入資料庫的資料，接著我們需要在電腦下載好 Mysql ，並且建立好想存入資料的資料庫(Database)，此篇文章利用 Mysql Workbench 完成這些操作，舉例來說，我們開啟 Mysql Workbench後，可於 Schemas 區塊按右鍵點選 <strong>Create Schemas </strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/991/1*mY6Nn1hloW7z1HL6BtvBhw.png" /><figcaption>Mysql — Create Schemas</figcaption></figure><p>輸入資料庫名稱(Name)後，亦可透過<strong> Charset </strong>調整資料庫的編碼方式，完成後即可在Schemas區塊中看見建立完成的資料庫，在此我們建立一個名稱為 rtomysql_test 的資料庫如下 :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/233/1*MYNZkeYb-bqNCAlF51louA.png" /></figure><p>接著回到 R studio 中，確認是否已安裝並載入(library) DBI 套件。(除DBI之外，亦須 library(RMySQL) 以便後續使用 MySQL() 函式。)</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/eb0cae98e3a6609066f1f6a8b9865589/href">https://medium.com/media/eb0cae98e3a6609066f1f6a8b9865589/href</a></iframe><p>我們需要透過兩個步驟完成資料存入，以 <strong>dbConnect </strong>完成資料庫連接設定，接著利用 <strong>dbWriteTable</strong> 完成資料寫入，此兩者皆為 DBI 套件中所包含的函式。</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/13e2a7028b056cb49185010f2e7d287c/href">https://medium.com/media/13e2a7028b056cb49185010f2e7d287c/href</a></iframe><p>我們利用 dbconnect 設定好資料庫之資料後，將其存入 channel 物件中，方便後續利用，簡單來說就是利用 dbconnect 告訴 R，我想要連接哪一個資料庫，輸入資料庫密碼等。</p><p>接著利用 <strong>dbWriteTable </strong>將資料寫入 Mysql 內。</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/1ef032eb669c05eb2a2828e35ce44e92/href">https://medium.com/media/1ef032eb669c05eb2a2828e35ce44e92/href</a></iframe><p>此處我們使用 R 中內建的萬用資料 iris 作為範例，先將她存為 data_iris 物件。</p><p>dbWriteTable 中第一個引數為 conn ，代表連接資料庫時所需要的資訊。</p><p>第二個引數為 name，代表新建立的資料表名稱，此名稱需要使用字元，因此要記得以雙引號框住。</p><p>最後則是 value，此處放置我們的想存入 Mysql 的資料，資料格式可為 data.frame。執行此行程式碼後，我們可以在 R 的 Console 內看到回傳 True，代表資料存入成功。我們即可於 Mysql Workbench中看到我們所存入的資料如下 :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/228/1*avMEoXn0_Oh0SuPwourxgw.png" /></figure><h3>取用 Mysql 資料</h3><p>將資料存入 Mysql 後，我們可以利用 dbReadTable 將資料由 Mysql 中重新拉入 R 中做後續分析與利用。</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/f35aa3cae4cb77776d17cb9f795fbba3/href">https://medium.com/media/f35aa3cae4cb77776d17cb9f795fbba3/href</a></iframe><p>與寫入資料的方式相同，我們須利用 dbConnect 告訴 R 我們想由哪一個資料庫(database) 抓取資料，並輸入資料庫密碼等。在此須特別注意的是，有時電腦會使用不同的編碼，我們可以利用 <strong>dbSendQuery</strong> 設定編碼，以避免資料導入後產生亂碼之情形，在此處我們將編碼設定為 Big 5 。最後，我們透過 <strong>dbReadTable </strong>將資料導入，第一個引數同樣為 conn，我們一樣寫入設定好的 channel。第二個引數為我們想要導入的資料表，在每一個資料庫中，我們可能會設定好幾個資料表，因此我們需要清楚告知 R，我們想要導入的資料表究竟為哪一個，另外我們也需要將資料表名稱以雙引號括住，執行後即可在 R 中看到我們所需要的資料。</p><h3>問題與解法</h3><p>在研究怎麼利用 R 存取 Mysql 資料時，曾經遇及兩個問題，分別為 :</p><ol><li>中文字體之編碼問題</li><li>資料庫連接問題</li></ol><h4>中文字體之編碼問題</h4><p>中文字體對於程式語言來說著實不太友善，然而仍無法避免有時資料會以中文作呈現，如財金資料中的公司名稱，即可能以中文顯示。舉例來說，假如我們希望將三大法人買賣超之資料 (資料來源 : 台灣經濟新報 TEJ ) 存入 Mysql 中，其中 Name 欄位中包含中文字體，如下圖 :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/662/1*vsEhEdNn41q3NUcRXEeFEQ.png" /></figure><p>此時我們可以先利用 <strong>Encoding</strong> 將欄位之編碼更改為 <strong>unknown</strong>，再使用dbWriteTable 將資料存入，程式碼如下 :</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/bdcd672d28d1f2034ee241fafb0cb79c/href">https://medium.com/media/bdcd672d28d1f2034ee241fafb0cb79c/href</a></iframe><h4>資料庫連接問題</h4><p>在將資料存入 Mysql 時，我曾遇到以下之Error :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qptWz2d208SEQP7yU_oI6w.png" /></figure><p>此 Error 代表著連接資料庫時出現問題，此時我們可以回到 Mysql Workbench中做檢查，可以在 Mysql Workbench 輸入:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/015d6e73e864f734cda3d25dafad9d8c/href">https://medium.com/media/015d6e73e864f734cda3d25dafad9d8c/href</a></iframe><p>可以發現第二的欄位 Value 中顯示的結果為 OFF，代表此時連接尚未成功，如下圖 :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*BHY-WN7GOX39ye7an9Rf7w.png" /></figure><p>此時我們可以透過以下程式碼進行更改，並再做一次檢查，當 Value 顯示為 ON 時，即代表連接成功，此時可再回到 R 透過 dbWriteTable 寫入資料。</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0fe249f948ced1de22c96cf07320b2ac/href">https://medium.com/media/0fe249f948ced1de22c96cf07320b2ac/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*JbfBcml8bIaVFm2lsSLuCA.png" /></figure><p>以上即為利用 R 存取 Mysql 資料之方法與我所遇到的問題，感謝網路上的大神們協助我解決遇見的問題QQQ，然而仍有不少地方是我沒有了解透徹的，希望未來能有機會更加搞懂這些東西 ~~。</p><h3>Reference</h3><p><a href="https://db.rstudio.com/dbi/">DBI 套件說明</a></p><p><a href="https://stackoverflow.com/questions/59993844/error-loading-local-data-is-disabled-this-must-be-enabled-on-both-the-client">Mysql 資料庫連接之解決方案</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e3839307f03f" width="1" height="1" alt=""><hr><p><a href="https://medium.com/rolandohsu/%E5%88%A9%E7%94%A8r-studio-%E5%B0%87%E8%B3%87%E6%96%99%E5%AD%98%E5%85%A5mysql-e3839307f03f">利用R studio 將資料存入Mysql</a> was originally published in <a href="https://medium.com/rolandohsu">RolandoHsu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[利用Excel執行迴歸分析]]></title>
            <link>https://medium.com/rolandohsu/%E5%88%A9%E7%94%A8excel%E5%9F%B7%E8%A1%8C%E8%BF%B4%E6%AD%B8%E5%88%86%E6%9E%90-b43c630692c?source=rss-1328572141c0------2</link>
            <guid isPermaLink="false">https://medium.com/p/b43c630692c</guid>
            <category><![CDATA[excel-vlookup]]></category>
            <category><![CDATA[線性迴歸]]></category>
            <category><![CDATA[excel-分析工具箱]]></category>
            <dc:creator><![CDATA[許博惇]]></dc:creator>
            <pubDate>Sat, 09 May 2020 09:38:17 GMT</pubDate>
            <atom:updated>2020-05-09T09:38:17.304Z</atom:updated>
            <content:encoded><![CDATA[<p>由於教授作業要求以Excel做迴歸分析的關係，因此寫下這篇文章作為小小輔助教材教班上同學如何操作Excel，期望能幫助同學更方便的完成老師的作業要求，底下主要有兩大步驟，包含簡單資料整理與迴歸分析，另外本篇文章分析的主題為利用市場三因子模型對台積電日報酬做迴歸分析，使用的資料可以到 <a href="https://drive.google.com/file/d/1APwguSwN3azOPGD40EhMmP8uzXBqwvfa/view?usp=sharing">這裡</a> 下載(資料來源皆為TEJ)。</p><h3>資料說明</h3><p>從雲端上將資料載下後，會發現有兩個工作表，第一張工作表為 <strong>Three Factors (Fig.1)</strong> ，共有七個欄位，分別為證券名稱、簡稱、年月日、市場風險溢酬、規模效應、淨值市價比溢酬與無風險利率。第二張工作表為 <strong>2330 (Fig.2)，</strong>共計四個欄位，分別為證券代碼、簡稱、年月日及報酬率(%)<strong>，</strong>其中我們要使用2330中的報酬率減去Three Factors 中的無風險利率計算出 <strong>台積電超額溢酬 </strong>作為迴歸分析中的Y，並利用 <strong>市場風險溢酬、規模效應、淨值市價比溢酬 </strong>作為X 對 Y跑迴歸，藉以分析三因子是否能解釋台積電 超額溢酬之變動。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/914/1*TLgio4EWiXRq_CqfYV5R3w.png" /><figcaption>Fig.1 : 工作表 1 Three Factors</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/336/1*Cnj-ci233qTdYueY7JaD-w.png" /><figcaption>Fig.2 : 工作表 2 2330</figcaption></figure><h3>資料整理</h3><p>資料整理這邊共分三個步驟，分別為:</p><ol><li>創建一個新的工作表，將需要用到的資料複製過去即可，因此先將工作表1 : Three Factors 中的 年月日、市場風險溢酬、規模效應、淨值市價比溢酬與無風險利率 移動到新的工作表中 (創立新的工作表名稱為 Final Data)。</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/672/1*_h8JEpsGAsoGBePXNp1L7Q.png" /><figcaption>新工作表 : Final Data</figcaption></figure><p>2. 利用 Vlookup 函式將台積電的每日報酬資料連結到新工作表中。</p><p>Vlookup 使用介紹 : 在這邊使用 Vlookup 的功能將台積電的每日報酬資料，透過 <strong>年月日</strong> 連結到新的工作表 Final Data中，Vlookup中包含四個參數，分別為查閱值、查閱範圍、欄位編號與完全符合與否:</p><p><strong>查閱值</strong> : 在連結表格時，要依照哪一個值去做連結。由於本篇要讓台積電的報酬資料對應到相同年月日的市場風險溢酬、規模效應等資料中，因此需要輸入的值為 <strong>年月日 (小技巧: 看兩張表格的相同欄位是哪一個，它就是查閱值)</strong>。</p><p><strong>查閱範圍 : </strong>要在哪個範圍中搜尋資料。由於是要將台積電的報酬資料連結到新的工作表 Final Data 中，因此使用的會是 工作表 2330中的年月日、報酬率(%)兩個欄位。另外需特別注意的是，我們要將工作表中的2330的 查閱值(年月日) 設定為此工作表中的第一個欄位，這樣才能成功連結，故應先將工作表 2330 的資料，更改如下圖:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/376/1*hNfzHRohlvdrOZyzCS9EHg.png" /><figcaption>工作表 2330 更改後</figcaption></figure><p><strong>欄位編號 :</strong> 連結後要取出之欄位編號，也就是要連結到Final Data中的新資料為原資料(工作表 2330 )中的哪一欄。觀察上面 <strong>工作表 2330 更改後</strong> 之圖片，由於我們是要將報酬率的資料連結到Final Data中，而報酬率(%)位於2330中的第2欄，因此要在此格設定為 <strong>2</strong> 。</p><p><strong>完全符合與否 :</strong> 搜尋時是否要符合完全符合，設定 TRUE為 部分符合，設定為 FALSE 代表完全符合。</p><p>透過 Vlookup ，我們可以將在Final Data中新建一個欄位，並在儲存格中打入以下程式碼 (注意: 第二個參數有使用 $ 將範圍固定住。)。</p><pre>=VLOOKUP(A2, ‘2330’!$A$2:$B$490, 2, FALSE)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/785/1*xtf9w-qLm4h2MavRiF4e_w.png" /><figcaption>使用Vlookup 連結資料</figcaption></figure><p>最後只需將游標移到儲存格F2右下角，黑十字出現時連點兩下，即可自動生成所有年月日之台積電日報酬率資料，命名新生成的欄位為Return_2330。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/785/1*wToejI6XzHWefU5wSgELFA.png" /><figcaption>已連結 工作表 2330 之Final Data</figcaption></figure><p>3. 將台積電日報酬率減去無風險利率並除以100，計算台積電超額報酬。(原資料以%表示，因此需要除以100計算出真實值。)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/977/1*J7dA6HBUWhHE0QjIUNuzkw.png" /><figcaption>計算台積電超額報酬</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*2kkXcCSOPZRu6t78Sb2iRg.png" /><figcaption>最終資料</figcaption></figure><h3>迴歸分析</h3><p>資料整理完後，即可用來進行迴歸分析，在這邊使用的是 Excel 增益集中的分析工具箱，以下先介紹如何開啟分析工具箱。</p><h4>開啟分析工具箱</h4><p>開啟步驟如下:</p><pre>檔案 👉選項 👉增益集 👉執行(G) 👉打勾分析工具箱 👉確定 </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KNzBs3-y_WJBbukD-fzCmA.png" /><figcaption>由左至右步驟</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/363/1*KfFRKHVclUrh0FVla-QxLQ.png" /><figcaption>分析工具箱</figcaption></figure><p>完成上述動作後，即可在Excel 上方點選 <strong>資料</strong>，並會在右邊看到 <strong>資料分析</strong> 的選項。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t1y73QPwm3r40zF2Q-ogfA.png" /><figcaption>右方可看到 資料分析 的選項</figcaption></figure><h4>利用分析工具箱執行迴歸分析</h4><p>接著我們就可以利用 <strong>資料分析</strong> 來進行迴歸分析，大概的步驟如下:</p><pre>資料分析 👉 迴歸 👉輸入Y 範圍 👉 輸入X 範圍 👉 輸出選項: 新工作表 </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/103/1*hLtBSHDRTEvmj5K-mu4rnw.png" /><figcaption>點選資料分析</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/526/1*3AHwhgI5Hiria8WFDuhvww.png" /><figcaption>選擇 迴歸</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/545/1*GKKFvx2LrQIEPAAWY0cTwQ.png" /><figcaption>輸入Y範圍為 超額報酬_2330</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/545/1*8fj47HiETLdPIuiF_PvWEQ.png" /><figcaption>輸入 X範圍為 市場風險溢酬、規模溢酬 (3因子)、淨值市價比溢酬 三個因子</figcaption></figure><p>常數為零的選項若打勾代表不要截距項，端看分析者有無需要截距項再決定是否勾選，另外可勾選下方殘差及常態機率的圖，Excel將自動生成圖片，協助分析者觀察模型效果。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/545/1*oRRSNqHPS7gNxiynMdP9rQ.png" /></figure><p>上述條件設定完成後，即可點選確定，Excel將自動生成一個新的工作表，如下圖顯示:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dJd1ZUy45ohogK1LFclizw.png" /><figcaption>迴歸模型</figcaption></figure><p>資料分析 將自動生成三個表格:</p><p>第一個表格中可觀察調整的R平方，即可得知我們所挑選的 X 變數對於 Y的變動的解釋力有多高，我們得到的數值約為 0.8087，代表挑選的 市場風險溢酬、規模效應、淨值市價比溢酬 等三項因子能解釋 台積電超額報酬 的80.87% 變動。</p><p>第二個表格為Anova表格，用以檢定整體模型。</p><p>第三個表格為模型中各個X的係數、標準誤、t統計值、P-值(P Value) 等各項資訊，其中可以藉由 X的係數及P -值觀察係數的顯著結果。</p><p><strong>各個X的係數 :</strong> 代表X 變動一個單位會造成Y有多少單位的變動，假設X1的係數為 0.5，則X1變動 2單位時，Y僅會變動 2 * 0.5 = 1 單位。</p><p><strong>P-值 :</strong> P值代表此X變數是不是能有效的影響Y變數，通常使用 0.05判斷，若P-值 小於0.05，則代表此 X 變數能有效的影響Y變數，若P-值 大於0.05，則代表此X變數的變動 機率上來說不太能影響到Y變數的變數。</p><p>就這樣啦，此篇文章主要是為了要介紹如何使用Excel 進行迴歸分析，其中包括前面的資料整理小技巧( Vlookup 的使用)，至於統計理論的部分沒有解釋太多，因此有需要的話就只能在努力查查了 😅</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b43c630692c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/rolandohsu/%E5%88%A9%E7%94%A8excel%E5%9F%B7%E8%A1%8C%E8%BF%B4%E6%AD%B8%E5%88%86%E6%9E%90-b43c630692c">利用Excel執行迴歸分析</a> was originally published in <a href="https://medium.com/rolandohsu">RolandoHsu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[R的學習日常 #3 — Ifelse與Case_When]]></title>
            <link>https://medium.com/rolandohsu/r%E7%9A%84%E5%AD%B8%E7%BF%92%E6%97%A5%E5%B8%B8-3-ifelse%E8%88%87case-when-5f06d0e225a1?source=rss-1328572141c0------2</link>
            <guid isPermaLink="false">https://medium.com/p/5f06d0e225a1</guid>
            <category><![CDATA[程式]]></category>
            <category><![CDATA[r]]></category>
            <category><![CDATA[case-when]]></category>
            <category><![CDATA[學習筆記]]></category>
            <dc:creator><![CDATA[許博惇]]></dc:creator>
            <pubDate>Mon, 30 Sep 2019 08:00:45 GMT</pubDate>
            <atom:updated>2019-09-30T08:00:45.759Z</atom:updated>
            <content:encoded><![CDATA[<h3>R的學習日常 #3 — Ifelse與Case_When</h3><h4>該斷則斷，別跟不好用的函式講人情。</h4><p>我想，在學習程式的這條路上，必須狠下心來確實篤行何為『喜新厭舊』，就像當初我遇見了『 CaseWhen 』這個好夥伴一般。</p><p>那是一個接近新春的午後，我與我的組員們正在苦思如何撰寫一個資料分析競賽的Code，記得那時是要將一個欄位內的數值以百分位數進行分組，小於20百分位數設定為『 below20% 』，20到40百分位數設定為 『20%to40%』…以此類推，那時我想到的是不斷的以邏輯 Ifelse 進行判斷，為了方便解說，在這邊用 iris 內部資料做一個範例，我們先以 Select 選取 iris 中的 Sepal.Length 作為要判斷的變數，建立一個名為 irisSL 的資料集（DataFrame），程式碼如下：</p><pre>install.packages(&quot;magrittr&quot;) # PipeLine 的套件<br>install.packages(&quot;dplyr&quot;) # Select 與 case_when 的套件</pre><pre>library(magrittr) <br>library(dplyr) </pre><pre>irisSL &lt;- iris %&gt;% <br>  select(&quot;Sepal.Length&quot;)</pre><p>接著我們建立一個向量（SLquantile），裡面儲存 Sepal.Length 內的20 ~80百分位數，程式碼如下：</p><pre>SLquantile &lt;- c(quantile(irisSL$Sepal.Length, 0.2), <br>                quantile(irisSL$Sepal.Length, 0.4),<br>                quantile(irisSL$Sepal.Length, 0.6),<br>                quantile(irisSL$Sepal.Length, 0.8))</pre><p>當我們需要第二十百分位數時，我們只需要敲入以下Code，即可獲得20百分位數為5，後續以此類推。</p><pre>SLquantile[&quot;20%&quot;]</pre><p>我當時的想法為，利用 for 抓出 Sepal.Length 內的每一個值，並利用 if 判斷其為哪一個群組，最後將結果丟入第二個欄位的相對應列中，呈現的程式碼如下：</p><pre>for (i in 1:length(irisSL$Sepal.Length)) {<br>  if (irisSL[i,1] &lt;= SLquantile[&quot;20%&quot;]) {<br>    irisSL[i,2] = &quot;below20%&quot;<br>  }else if(irisSL[i,1] &gt; SLquantile[&quot;20%&quot;] &amp; <br>           irisSL[i,1] &lt;= SLquantile[&quot;40%&quot;]){<br>    irisSL[i,2] = &quot;20%to40%&quot;<br>  }else if(irisSL[i,1] &gt; SLquantile[&quot;40%&quot;] &amp; <br>           irisSL[i,1] &lt;= SLquantile[&quot;60%&quot;]){<br>    irisSL[i,2] = &quot;40%to60%&quot;<br>  }else if(irisSL[i,1] &gt; SLquantile[&quot;60%&quot;] &amp;<br>           irisSL[i,1] &lt;= SLquantile[&quot;80%&quot;]){<br>    irisSL[i,2] = &quot;60%to80%&quot;<br>  }else {<br>    irisSL[i,2] = &quot;upper80%&quot;<br>  }<br>}</pre><pre>irisSL &lt;- irisSL %&gt;% <br>  rename(ByIfelse = V2) # 將自動產生在irisSL的 V2 變數改名為 ByIfelse</pre><p>當時寫出了這段Code後，我放肆地在心裡大笑三聲，彷彿完成了個曠世巨作，但是，卻馬上被學長的一句『好亂，不知道可以用Case_When做嗎！』直接打入谷底。</p><p>用以上的方式雖然能準確做出結果，卻面臨了兩大缺點：1. Code太過凌亂，有大量的括號在其中，造成debug的麻煩，2. 當資料量大時，會造成判斷速度過慢，因此改進是必要且急迫的。</p><p>那到底何為 Case_When 呢？我們在進行資料處理時，總會遇到要進行多重判斷的情況，這時 Case_When 就能很方便地替我們完成這件事，它源自於一個名為 『 dplyr 』的套件，使用的方式為：</p><pre>case_when(<br>條件1 ~ 達成條件1時回傳的值 , <br>條件2 ~ 達成條件2時回傳的值 ,<br>.<br>.<br>TRUE ~ 以上條件都沒達到時回傳的值 )</pre><p>在case_when中，以『 ～ 』作為條件與回傳的值中間的區隔，另外在每一個條件後面皆要以 『 , 』分開，最後以『 TRUE 』作為當所有條件都沒達成時要回傳的值，若是將上面的例子以 case_when 改寫，則會呈現如下（程式碼中的 『 &amp; 』代表『 且 』的意思）：</p><pre>irisSL$ByCaseWhen &lt;- case_when(<br>  irisSL$Sepal.Length &lt;= SLquantile[&quot;20%&quot;] ~ &quot;below20%&quot;,</pre><pre>  irisSL$Sepal.Length &gt; SLquantile[&quot;20%&quot;] &amp; irisSL$Sepal.Length &lt;= SLquantile[&quot;40%&quot;] ~ &quot;20%to40%&quot;,</pre><pre>  irisSL$Sepal.Length &gt; SLquantile[&quot;40%&quot;] &amp; irisSL$Sepal.Length &lt;= SLquantile[&quot;60%&quot;] ~ &quot;40%to60%&quot;,</pre><pre>  irisSL$Sepal.Length &gt; SLquantile[&quot;60%&quot;] &amp; irisSL$Sepal.Length &lt;= SLquantile[&quot;80%&quot;] ~ &quot;60%to80%&quot;,</pre><pre>  TRUE ~ &quot;upper80%&quot;<br>)</pre><p>我們利用 irisSL$ByCaseWhen 藉以直接長出一個名為 ByCaseWhen的新變數，後面即可接上case_when設定條件，這樣一來，不僅減少了雜亂的括號連發，也能很清楚的以『～』判斷當條件成立時所回傳的值為何，另外由於這是已經經過優化的函式，以運算速度來說也會優於自己敲出的 ifelse程式碼，可謂是資料處理必備良藥，最後我們將兩種方法比較呈現如下圖，可以發現結果一模一樣，但回頭看程式碼，已有了很大的差別。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/426/1*EJkAymu0JLYfL4nngoOx2A.png" /></figure><p>好用的函式不斷的在被開發，若是發現好用的函式，還是趕緊扼殺自己的懶惰，學習它並將程式碼改進吧！</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5f06d0e225a1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/rolandohsu/r%E7%9A%84%E5%AD%B8%E7%BF%92%E6%97%A5%E5%B8%B8-3-ifelse%E8%88%87case-when-5f06d0e225a1">R的學習日常 #3 — Ifelse與Case_When</a> was originally published in <a href="https://medium.com/rolandohsu">RolandoHsu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[R的學習日常 #2— PipeLine 管線]]></title>
            <link>https://medium.com/rolandohsu/r%E7%9A%84%E5%AD%B8%E7%BF%92%E6%97%A5%E5%B8%B8-2-pipeline-%E7%AE%A1%E7%B7%9A-824836e274ae?source=rss-1328572141c0------2</link>
            <guid isPermaLink="false">https://medium.com/p/824836e274ae</guid>
            <category><![CDATA[r]]></category>
            <category><![CDATA[學習筆記]]></category>
            <category><![CDATA[pipeline]]></category>
            <dc:creator><![CDATA[許博惇]]></dc:creator>
            <pubDate>Sun, 22 Sep 2019 14:13:34 GMT</pubDate>
            <atom:updated>2019-09-24T07:13:58.890Z</atom:updated>
            <content:encoded><![CDATA[<h4>函式這東西，不管來多少，通通串起來！</h4><p>為了能快速與Ｒ混熟，如同初生之犢般，一頭栽入了資料分析的競賽中，雖然知道一些函式的定義，但卻如同手頭有槍卻不知保險開關在哪，板機扣是扣了，但子彈沒跑出一個，ERROR倒是一堆😢，於是，我跑去請教了學長，跟學長說了我的需求後，學長請我將Code給他看，打開後，學長表情瞬間母湯 😧，劈頭就是一句：『你怎麼不用管線？』我只能任由背脊一陣發涼，羞愧說到我不太懂管線的功能，接著學長露出一抹不知名的微笑似乎是在說：『再回去好好修煉修煉吧！！』那天過後，算是徹底改變了我對Ｒ的寫法，算起來，也真是多虧了學長嘴角那一抹微笑了 😅😅😅。</p><p>講完了學習PipeLine的起源，感覺也應該進入正題了，到底何為PipeLine，為何學習Ｒ語言的人都應該懂它呢？</p><p>PipeLine來自於一個名為 Magrittr 的Package，發佈於 2014–11–22，管線包括了四種形式，分別是 『 %&gt;% 』 『 %$% 』『%T&gt;% 』『%&lt;&gt;%』，那就從最常使用的『 %&gt;% 』開始逐一介紹吧！</p><p>PS : 文章的最後面有本篇所使用到的函式的簡短說明，另外再開始使用前請先記得 library(magrittr) 哦 ✌️️️</p><pre>install.packages(&quot;magrittr&quot;)<br>library(magrittr)</pre><h3>% &gt; %<strong> 『 magrittr forward-pipe operator 』</strong></h3><p>『 %&gt;% 』的全名為 magrittr forward-pipe operator，<strong>最主要的功能就是將上一個函式的運行結果傳遞至下一個函式中的第一個參數</strong>，舉例來說，假設我們現在要使用iris資料，挑選出品種為 virginica 的資料列並計算Sepal.Length的平均，那麼該如何編寫我們的程式碼呢？兩種方式分別如下</p><ol><li>&lt; 不使用管線 &gt;</li></ol><pre>mean(filter(iris, Species == &quot;virginica&quot;)$Sepal.Length, na.rm = T)</pre><p>2. &lt;使用管線&gt;</p><pre>iris %&gt;% <br>  filter(Species == &quot;virginica&quot;) %&gt;%<br>  pull(Sepal.Length) %&gt;% <br>  mean(., na.rm = T)</pre><p>第一種 &lt;不使用管線&gt; 的方式，mean 與 filter 緊黏在一起，不易找出使用的函式之外，後面括號的編寫也容易出現錯亂，debug到了天荒地老才發現bug原來只是一個小小的括號沒括，實在是不知該哭還該笑 😅。</p><p>反觀第二種&lt;使用管線&gt;的方式可以發現，程式的編寫依照著思考中的邏輯前進著，整段程式碼步驟如下：</p><pre>1. 使用 iris 資料<br>2. 將iris資料丟入filter函式中並透過『 Species == “virginica”』挑選出品種為 virginica 的樣本<br>3. 將挑選過後的iris資料丟入 pull 函式中藉以拉出 Sepal.Length 變數<br>4. 最後將拉出來的Sepal.Length 變數丟入 mean 中進行平均。</pre><p>而 %&gt;% 的特殊符號樣式也使讀者容易區分整段程式碼使用的函式為何。</p><p>另外，觀察filter函式可以發現，他的第一個參數為 data，而%&gt;%的原則為將上一段的運行結果丟入下一個函式的 <strong><em>第一個參數</em> </strong>中，因此 iris 後面以 %&gt;% 連接 filter 並無任何問題。</p><p><strong>然而若是 %&gt;%的前段運行結果並不能適用於下一個函式的第一個參數呢？</strong>例如以下情況，我們想要探討 iris 中Sepal長寬的線性關係，因此我們可能假設 y = Sepal.Length，x = Sepal.Width，並利用：</p><pre>lm( Sepal.Length ~ Sepal.Width , data = iris)</pre><p>找出兩者之間的線性關係，若是此時想要利用管線來呈現會發現程式出現以下錯誤，代表著lm 的第一個參數並不能接受放入 iris。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/568/1*SlDktnCTKMeDJX_qwisXXg.png" /></figure><p>那我們可以怎麼做呢？</p><p>在 %&gt;% 的管線連接中，可以利用 『 ・ 』來代表上一行程式碼運行後的結果，以上圖的程式碼為例，可以利用『 ・ 』來代表 iris，放入函式中，準確告知函式應該要將上一段程式碼的運行結果放在哪一個參數中，舉例如下：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/588/1*ncIHQyKmuwEvivFf_6AnhQ.png" /></figure><p>由上可知，透過『・』可以讓我們更容易的以 %&gt;% 串接我們的程式碼！但是，發明源於人類的懶惰，永遠都能更方便，如同 %$% 的出現 😍</p><h3>%$% 『 magrittr exposition pipe-operator 』</h3><p>在很多的函式中(如 lm 、 aggregate 等)，都需要用到data作為函式的一個參數，因此，magrittr提供了 『 % $ % 』準確告知函式要將上一段的函式運行結果放入下一個函式的data 參數中，如上面所舉出的例子：</p><pre>iris %&gt;%<br>  lm(Sepal.Length ~ Sepal.Width, data = .)</pre><p>我們可以透過 『 %$% 』將程式碼改寫如下，並獲得同樣結果。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/477/1*VacnqgEANekOQJko6vmwtA.png" /></figure><p>透過『 %$% 』，省下了 打出 『 , data = . 』非常推薦給懶到極致的朋友服用 😙😙😙😙😙😙😙😙😙</p><h3>%T&gt;% 『 magrittr tee operator 』</h3><p>是否曾經遇過，想要將同一份data傳送給兩個函式同時使用的情況呢？舉例來說，假設建立一個新的資料集命名為 test ，test中包含兩個欄位，我們想要畫出兩個欄位的散佈圖並計算各自的總和，我們可能會敲入下面這段Code：</p><pre>set.seed(1)<br>test &lt;- rnorm(200) %&gt;% <br>  matrix(ncol = 2)</pre><pre>plot(test)<br>colSums(test)</pre><p>上述的Code我們可以透過加入 『 %T&gt;% 』進行修改如下：</p><pre>set.seed(1)<br>test &lt;- rnorm(200) %&gt;% <br>  matrix(ncol = 2)</pre><pre>test %T&gt;% <br>  plot() %&gt;% <br>  colSums()</pre><p>透過『 %T&gt;% 』我們可以將test 分別丟入 plot 與 colSums 中，不僅使得 Code看起來簡潔，也能同時得到圖與總和的結果。此即為『 %T&gt;% 』的效果 : <strong>程式碼執行完 test %T&gt;% plot() 後，傳出的值會是『 %T&gt;% 』的左邊結果（也就是 test ），並將傳出的值再度傳入下一段程式碼中（colSums）</strong></p><p>若是不知道有『 %T&gt;% 』這項好用的工具，而是單純使用『 %&gt;% 』進行組合（如以下這段程式碼），僅會得到一串長長的error告訴你不可以將 test %&gt;% plot() 的結果丟入colSums中 😅😅😅😅😅😅😅</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/781/1*gJC1XW554F9axk50CHeblg.png" /></figure><h3>%&lt;&gt;% 『 magrittr compound assignment pipe-operator 』</h3><p>最後登場的是 『 %&lt;&gt;% 』，它的用意在於將『 %&lt;&gt;% 』右邊執行完的結果傳入『 %&lt;&gt;% 』的左邊。以剛剛的iris資料為例，假設我們僅需要Species 為 virginica的資料，並以 Sepal.Length 進行排序，其他欄位維持不變，並將執行完成後的資料存入 iris 中，我們可能會執行以下程式碼。</p><pre>iris &lt;- iris %&gt;% <br>  filter(Species == &quot;virginica&quot;) %&gt;% <br>  arrange(Sepal.Length)</pre><p>然而，透過 『 %&lt;&gt;% 』，我們可以將程式碼改進為：</p><pre>iris %&lt;&gt;% <br> filter(Species == “virginica”) %&gt;% <br> arrange(Sepal.Length)</pre><p>使得程式碼更為簡潔有力！ 😗😗😗😗😗😗😗</p><p>PipeLine的發明，能讓我們以更簡潔、快速、易讀的方式編寫程式碼，極大程度的提高程式開發效率，也算是敲Code的大大確幸了吧 ❤️</p><pre>ＰＳ：本篇文章會使用到下面幾個函式，依照出現順序如下。</pre><pre>1. <strong>iris</strong><br>    R 內建的data，為鳶尾花的長、寬、品種等資料。</pre><pre>2.<strong> filter</strong> <br>    設定變數的條件挑選出所需要的樣本列，例如一個學生資料中挑選出性別為男生的所有樣本列。</pre><pre>3.<strong> pull </strong><br>    從 dataframe中拉出所需要的變數，拉出的變數會轉變為vector格式。</pre><pre>4. <strong>mean </strong><br>    計算平均，「na.rm = Ｔ」代表忽略樣本中存在的ＮＡ值</pre><pre>5. <strong>lm <br></strong>    執行統計學中的迴歸模型，用法為 lm(y ~ x1 + x2 + ..., data)。</pre><pre>6. <strong>set.seed</strong> <br>    設定抽樣的隨機種子，以同一個號碼的隨機種子抽樣能得到相同的抽樣結果。</pre><pre>7. <strong>rnorm<br>    </strong>以常態分配產出數值，rnorm(10)代表抽出10個常態分配（平均為0，標準差為1）的數值。</pre><pre>8. <strong>matrix</strong><br>    產生出一個matrix的資料型態，ncol = 2 代表產生的matrix 欄位為2，另外可用 nrow 設定產生的matrix有多少列。</pre><pre>9. <strong>plot<br>   </strong> 畫出散佈圖。</pre><pre>10. <strong>colSums</strong><br>    計算每一個欄位的總和。</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=824836e274ae" width="1" height="1" alt=""><hr><p><a href="https://medium.com/rolandohsu/r%E7%9A%84%E5%AD%B8%E7%BF%92%E6%97%A5%E5%B8%B8-2-pipeline-%E7%AE%A1%E7%B7%9A-824836e274ae">R的學習日常 #2— PipeLine 管線</a> was originally published in <a href="https://medium.com/rolandohsu">RolandoHsu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[R的學習日常 #1 — 快捷鍵]]></title>
            <link>https://medium.com/rolandohsu/r%E7%9A%84%E5%AD%B8%E7%BF%92%E6%97%A5%E5%B8%B8-1-%E5%BF%AB%E6%8D%B7%E9%8D%B5-3b31de69e016?source=rss-1328572141c0------2</link>
            <guid isPermaLink="false">https://medium.com/p/3b31de69e016</guid>
            <category><![CDATA[rstudio]]></category>
            <category><![CDATA[程式自學]]></category>
            <category><![CDATA[快捷鍵]]></category>
            <category><![CDATA[學習筆記]]></category>
            <dc:creator><![CDATA[許博惇]]></dc:creator>
            <pubDate>Fri, 13 Sep 2019 04:07:29 GMT</pubDate>
            <atom:updated>2019-09-17T08:26:43.130Z</atom:updated>
            <content:encoded><![CDATA[<h3>R的學習日常 #1 — 快捷鍵</h3><h3>懶惰的人就是要快捷鍵連發</h3><p>上了碩班以後，越發的覺得自己是個懶惰到不行的人，做啥子事，方方便便就是王道。快捷鍵的誕生與應用，當然是引發了我最大的興趣。</p><p>上網隨便搜一下有關Ｒ的快捷鍵，少說也要接近一百個吧，然而快捷鍵這種東西，就像是英文單字一樣，多背無益，常用才是王道ＱＱ，在這邊就紀錄幾個常用的快捷鍵，並附上一些簡單的說明。（這邊的話主要是以Mac 為主，Windows的話基本上只要將Command換成Control，幾乎都能獲得同樣的效果。）</p><pre>PipeLine    %&gt;%    『 Command + Shift + M 』</pre><p>PipeLine大概是Ｒ裡面我覺得數一數二棒的發明了吧！或許有空時可以在對它深入研究一番再記錄起來，這邊就先大致說明。</p><p>PipeLine 又名管線，主要的用意是用來<strong>將上一段程式碼的結果傳遞至下一行程式碼中的第一個參數中</strong>，用以將Code連接起來，能使得Code看起來較為整潔，也不需要一直定義新的變數。</p><p>在Code當中會以「<strong> %&gt;% </strong>」呈現，在 Mac 當中可以使用 <strong>Command + Shift + M </strong>快速敲出來，並會直接在前後空格，使得Code看起來不會特別擁擠。可以算是敲Code當中最容易使用到的快捷鍵吧！</p><pre>等於    &lt;-    『 Option + - 』</pre><p>在Ｒ當中需要不斷的定義變數，當然會一直使用到等於的符號，我們可以透過 <strong>Option + 減 （注音符號的ㄦ）</strong>快速敲出來，與PipeLine相同，會在前後直接幫你打好空格，可使得Code起來較為簡潔易讀。</p><pre>Help        『 fn + F1 』</pre><p>當需要查找函數的定義時，總是得要先將游標定位到腳本區域（R studio 左上角寫入程式碼的區域）或Console（R studio左下角）中，打上 ? + 要查找的函數 ，或是在 Help頁面中直接搜尋，但這些都太過麻煩了，只需要將游標定位到要查找的函數上，使用 <strong>fn + F1</strong>就可以直接在Help 頁面看到函式的相關說明囉！</p><pre>新增文檔        『 Command + Shift + N 』</pre><p>想新增一個 File，用滑鼠的話就得移到上方File，又要點選New File，還要再點選 R Script，尤其我之前在使用的時候，都會不小心點到別處，它就會整個消失，變成又要重新點，麻煩程度，簡直是人神共憤，此時只需輕松使出『 Command + Shift + N 』，嶄新頁面立馬出現！</p><pre>開啟文檔        『 Command + O 』</pre><p>在Ｒ當中也支援其他程式如 Excel 開啟舊檔的方法（<strong>Command + O</strong>），可以說是相當方便，另外，在使用開啟舊檔之前，也可以先利用 setwd ( 檔案存放路徑 )，先定位好路徑，這樣再使用開啟文檔時，就會直接是定位好的檔案位置囉！</p><pre>刪除Global Environment 中存取的檔案        『 rm( 欲刪除的檔案名稱 ) 』</pre><p>在與他人合作的時候，常需要將自身負責的成果打包交給一同合作的人，此時若Global Environment中出現一大堆無關的檔案，不僅會使畫面變得混雜，更可能造成混淆。不光是與他人協作，若是獨立作業時，也常常在Code打到後面時，被前面的檔案給混淆了，因此，<strong>若是確定檔案使用不到了</strong>，那就刪掉它保持畫面整潔吧！</p><p>另外若是需要一次刪除多個檔案時，可以使用 rm( 欲刪除的檔案名稱1, 欲刪除的檔案名稱2, …….) 的方式執行。</p><pre>清空console的紀錄        『 Control + L 』</pre><p>透過 Control + L，可以直接清除掉Console內的紀錄，但是Console內的紀錄還是建議盡量留下來，避免有需要往上查看的情況吧！</p><pre>單行註解        『 # 』<br>多行註解        『 Command + Shift + C 』</pre><p>在Ｒ當中，只需要使用 <strong># +需要註解的文字</strong>，即可完成註解。另外，若是需要整段註解的話，可以先將要想要註解的段落反白，再使用<strong>Command + Shift + C </strong>，即可將整個段落進行註解，若是想要取消註解，僅需將段落反白再執行一次Command + Shift + C 即可。</p><pre>段落快速查找        『 ##### 段落說明 ###### 』</pre><p>在Ｒ的腳本區域（R Script）下方，提供了一個快速查找的區域，只要在敲Code時，註解 <strong>前後方 </strong>加入 <strong>#####</strong>，即可將其加入到查找清單中，用以快速跳轉至想要查找的段落，另外，Function建立完成並使用後，也會直接進入那個清單中，可用其直接跳轉至要查找的段落。以下以圖片說明。</p><figure><img alt="此功能放在R Script下方，此為ㄧ開始尚未設定之畫面。" src="https://cdn-images-1.medium.com/max/808/1*a5rc1Lbx1Ej3p5xxwoIUEA.png" /><figcaption>此為R Script 下方，尚未設定之畫面下方</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/804/1*IBh024n5v8mW74gcGF-o9g.png" /></figure><p>上圖為我以 iris 簡單寫下一段計算變數平均的Code，假設我總共分成三個段落，分別是 1. 引入Data 2. 清理Data並寫入需要的變數 3. 建立Function，透過在上面的註解前後加入 ##### ，即可將段落註解加入下方的標記中，如以下畫面。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/791/1*7Sa3Qm_epI3MaTX0F6qsKw.png" /></figure><p>點開標記後可以發現上述的段落註解已經被標記在上面，包括新建立的Function使用也是（ CaculatetheMean(variable) ），直接點選即可跳轉至想要查找的段落。</p><pre>將光標定位到行首、行尾        『 Command + 左、右 』</pre><p>透過 <strong>Command 加上 左右 </strong>可以快速將光標定位到行首行尾，有效提升敲Code的效率。</p><pre>收縮Function 或是 For        『 Command + Option + L 』</pre><p>將光標移至 Function 或 For 中任一位置，再使用 <strong>Command + Option + L</strong>，可以將其收縮起來，使得畫面變的整潔，若是需要將它打開，則需要使用 Command + Option + <strong>Shift</strong> + L，等於是收縮的快捷鍵中再加入 Shift 即可。</p><p>透過快捷鍵的使用，能提升敲Code的效率，相信只要多用幾次，熟悉了之後，就能極大的感受到它的魅力！！！</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3b31de69e016" width="1" height="1" alt=""><hr><p><a href="https://medium.com/rolandohsu/r%E7%9A%84%E5%AD%B8%E7%BF%92%E6%97%A5%E5%B8%B8-1-%E5%BF%AB%E6%8D%B7%E9%8D%B5-3b31de69e016">R的學習日常 #1 — 快捷鍵</a> was originally published in <a href="https://medium.com/rolandohsu">RolandoHsu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[既然努力不一定會被看見，那就把它記錄下來吧！]]></title>
            <link>https://medium.com/rolandohsu/%E6%97%A2%E7%84%B6%E5%8A%AA%E5%8A%9B%E4%B8%8D%E4%B8%80%E5%AE%9A%E6%9C%83%E8%A2%AB%E7%9C%8B%E8%A6%8B-%E9%82%A3%E5%B0%B1%E6%8A%8A%E5%AE%83%E8%A8%98%E9%8C%84%E4%B8%8B%E4%BE%86%E5%90%A7-3ae25e224333?source=rss-1328572141c0------2</link>
            <guid isPermaLink="false">https://medium.com/p/3ae25e224333</guid>
            <category><![CDATA[r-語言]]></category>
            <category><![CDATA[學習筆記]]></category>
            <dc:creator><![CDATA[許博惇]]></dc:creator>
            <pubDate>Thu, 05 Sep 2019 04:07:43 GMT</pubDate>
            <atom:updated>2019-09-05T04:07:43.720Z</atom:updated>
            <content:encoded><![CDATA[<p>— — 碩班生活剩下一年的時間，很快也要脫離動不動就媽媽雜摳的學生身份，踏入社會。我一直都相信：<strong><em>「努力不一定會被看見，拼了命到最後，可能也只是為他人做了嫁衣。」</em></strong>或許有點悲觀，但對我來說，卻是我目前為止所體認到的所謂「社會現實」。</p><p>— —<strong><em> 「既然努力不一定會被看見，那就把它記錄下來吧！」</em></strong>在暑期實習結束的那一天，腦子突然蹦出了這樣的一句話，小時隱藏起來的寫作夢，不可遏止的如乾柴烈火般的燃燒著。那麼，該記錄一些什麼呢？</p><p>— — 學習Ｒ語言也差不多一年的時間了，每次使用，總會有一種相見恨晚的感覺，雖然多少也稍微碰過其他的程式語言，諸如紅得燒燙燙的Python或佔據海量空間的SAS，但在一個個比賽或專案期間，仍會不假思索地開啟R studio，或許就真的是一種「熟悉的最對味吧！」新的學期即將開始，接下了老闆帶的統計課程式助教一職，一切猶如順水推舟般，讓我思考著或許我也能記錄下自己在學習Ｒ語言的路程，分享著我所學習的舊雨新知。或許無法如職業寫手般專業，但當作記錄著自己的故事，變相的完成自己少時的寫作夢，想想就著實令人興奮！</p><p>— — 與其說是分享，倒不如說是自己的學習筆記，記錄下自己曾經學過或正在學習的各種事物，也當作一個作品製作，看未來是否能呈現給面試官看看，求求他們給我個好職位 HAHA。</p><p>— — 那麼，開始吧～～</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*_M_4pTOBjrpkSrxfiG1J9Q.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3ae25e224333" width="1" height="1" alt=""><hr><p><a href="https://medium.com/rolandohsu/%E6%97%A2%E7%84%B6%E5%8A%AA%E5%8A%9B%E4%B8%8D%E4%B8%80%E5%AE%9A%E6%9C%83%E8%A2%AB%E7%9C%8B%E8%A6%8B-%E9%82%A3%E5%B0%B1%E6%8A%8A%E5%AE%83%E8%A8%98%E9%8C%84%E4%B8%8B%E4%BE%86%E5%90%A7-3ae25e224333">既然努力不一定會被看見，那就把它記錄下來吧！</a> was originally published in <a href="https://medium.com/rolandohsu">RolandoHsu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[關於那些實習的日子]]></title>
            <link>https://medium.com/rolandohsu/%E9%97%9C%E6%96%BC%E9%82%A3%E4%BA%9B%E5%AF%A6%E7%BF%92%E7%9A%84%E6%97%A5%E5%AD%90-fd357a4b721c?source=rss-1328572141c0------2</link>
            <guid isPermaLink="false">https://medium.com/p/fd357a4b721c</guid>
            <category><![CDATA[實習]]></category>
            <category><![CDATA[生活]]></category>
            <dc:creator><![CDATA[許博惇]]></dc:creator>
            <pubDate>Fri, 30 Aug 2019 15:41:15 GMT</pubDate>
            <atom:updated>2019-08-30T15:45:48.938Z</atom:updated>
            <content:encoded><![CDATA[<h4><strong><em>四個月半轉瞬即過，但相信回憶會縈繞在腦海歷久不衰</em></strong></h4><h4>面試的旅程證明了這是個運氣與人際關係並重的社會</h4><p>— — 四月初，填寫了一份 “問卷”，依稀記得裡面的內容大概是有意願到哪個部門，一週能實習多少天數..等非關個人的問題，莫名其妙地在學校研究室裡接到了面試通知（畢竟這個問卷居然刷掉了將近三分之一的人口，理由不明 😅😅😅），一場火急火燎的面試，就此上演。</p><p>— — 總共進行了兩次的面試，皆為團體的面試，由於區分了好幾批加上題目固定的關係，這場面試就如同是一場友誼之爭似的，誰朋友圈廣，剛好認識到前幾梯面試的人類，誰就能以上帝視角來傲視這場面試。</p><p>— — 記得當初考研時，有間學校老師偷懶胡亂出題，直接從103年的經濟考古題中抽取其中的25題來考，題目答案全無更改，讓當下考試的我，簡直是邊寫邊興奮地顫抖，原因無他，考前十分鐘我所唸的就是103年的考古題呀。面試時的心情與那時考研的情景重疊，面試官要問什麼早已了然於胸，由於是團體面試的關係，甚至還能有時間思考著如何順著競爭對手的回答修整自己的答案，興致一來就說個：「我覺得Ｘ號同學說的某觀點很好，但我認為….」記憶最深刻的，莫過於第二次面試時，有位面試者的表現逼得我只能給予他一個「字正腔圓」的稱號，說出來的話簡直如同技術最精湛的冰雕師切著正方形的冰塊，在頑強的稜角也愣是被他給磨個平整。</p><h4>記住體會到的無力感，想辦法從如山岳般可敬的對手身上，掘下一匙匙最珍貴的養分，然後即使含著眼淚也要吞下去。</h4><p>— — 然而，這次的面試，卻也不是那麼的毫無壓力。壓力來源於同儕，即使針對早已熟捻的題目再三的準備，在隔壁高手的攻勢之下，依舊有種大山當前的無力感，即使在面試官前強裝鎮定，卻止不住在桌面上顫抖的雙手。我想，在當下，唯一能告訴自己的，也就只有盡力的從他們身上，學到更多更多的東西了吧！另外，我想，爆發力，永遠是值得信賴的夥伴，總會在最緊要的關頭，給予自身最好的協助，而自己所需要準備的，就是平時的累積，還有相信，說易行難，但也是我最信奉的圭臬。</p><h4>只要努力追逐著自己想做的事，即使跌個頭破血流又如何，畢竟，我還年輕。</h4><p>— — 實習區分為4~6月的導師計畫，與7~8月的young世代實習，在導師計畫階段，會有一位部門的導師帶領著實習生，認識部門生態並給予我們指導。ＩＴ部門的人們平日總與程式為伍，在如藤蔓般交錯的程式之中，與害蟲們兵戎相向，外表木訥是平日的外衣，但隱藏在內心的，卻是細膩的心思、不懈的堅持以及對喜愛事物的狂熱。我的導師 Kerr，正是如上的寫照，第一次收到實習生的他，面對我跟另一位實習生兔仔，的確藏不住他的驚慌失措，但也或許是因為第一次帶實習生，他對我跟兔仔簡直是毫無保留，上班時讓我們坐在他的身邊，分享著他所領導的專案的想法、Ｃ＃、ＳＱＬ的專業、在ＩＴ部門的生活…等。</p><p>— — 記憶最深的，是一次因為要等同事下班，而坐到他身邊跟他聊天，我告訴他：「雖然我身為財金所的學生，但我卻對資訊產業卻有更大的興趣，我喜歡寫code的成就感，不喜歡策略交易的殺進殺出，喜歡Kerr專案規劃的工作氛圍，不喜歡每日孤身一人投注於研究產業概況，雖然我並不排斥財金的知識與工作，但這還是讓我覺得格格不入。」小時候讀過醜小鴨的故事，我就像是那隻醜小鴨般，孤獨地站立在一群鴨子中間，而且，不知道有沒有機會變成天鵝。Kerr 對我說：「如果我重新變回年輕人，我才不會管那麼多，我會創業，做自己真正想做的事情！」</p><p>— — Kerr 重新的幫我定義了我所身處的位置，從資訊人的角度出發，為我找尋我的優勢，或許他沒有辦法幫我做出決定，告訴我下一步該如何走，但他卻以他的經歷再次的點醒著我，只要努力追逐著自己想做的事，即使跌個頭破血流又如何，畢竟，我還年輕。</p><h4>前人種樹，後人乘涼。前人亂種，後人抓狂。</h4><p>— — 以寫程式為生的人們，對於找尋錯誤肯定不陌生。一次在與Kerr的開會中，Kerr 親自為我們示範如何以Ｃ＃從0開始建構一套系統，並仔細地講解著每一段程式碼的意義。有趣的是，Kerr在講解完後，又搬出他木訥且害羞的笑容，說著：「其實在公司當中，Ctrl+C、Ctrl+V 才是最常做的事情，透過直接參考前輩們的Code，省下自己敲碼的麻煩。」在程式開發類型的部門，的確很容易會以前輩的Code參考，方便又快速。然而卻也衍生出滾雪球的問題，前人種樹、後人乘涼，但若前人的樹不好好中，不注重寫Code的一些良好習慣，那後人還是咬碎了牙和血吞，認命地跟Bug搏鬥吧！</p><h4>遇到困難，只需要考慮兩件事：</h4><h4>拼了命地解決它 ; 期待著解決後的成就感。</h4><p>— — 在那次開會中，還發生了另一件有趣的事，Kerr在從0開始為我們示範系統建構時，碰上了一個Bug，碩大的Error，如同拿著大叉叉印章的楊婆婆，無情為我們壓上鮮紅的不及格。資深如Kerr，思考了數秒，與自己對話了幾句，手指便開始如蝶般在鍵盤上飛舞，Error就這樣被硬是轉變成沁人心脾的成功執行。在三位實習生中，我屬於程式經驗最少的那一個，想當然爾，只能認命地掛上呆滯的嘴臉，看著Kerr 的「滿足神情」。</p><p>— — 那是一種發自內心的滿足，像是想得到我們的認同似的，Kerr 靦腆又小聲地說著：「不知道你們怎麼想，但有時候覺得DeBug其實也蠻愉快的，對我來說這是個有趣且令人興奮的過程。」我在心裡笑了一下，想著不知道有多少人會認同Kerr的感覺，但是至少，我非常認同。也發自內心的感到尊敬，Kerr是真的將興趣變成了工作，對於喜愛的事義無反顧的喜愛著！</p><h4>別逃避與超強的人合作，睜大眼睛搜尋著，肯定會有自己的用武之地。</h4><p>— — 公司近期的一項專案是機器人理財，而這，也成為了我與兔仔4~6月的專題：建構多種不同風險屬性的套餐，以符合投資人需求。兔仔是資管系的大三生，屬於班上學霸型的那種。與兔仔合作的過程中，我深深感受到何謂差距，不僅僅是在智慧上，不論是積極性、博學程度、學習能力，似乎在兔仔的天賦樹中，早已全然滿點。我唯一能做的，就是找尋著我可以發揮的長處，由我提供理論知識，兔仔以邏輯能力為武器，我們討論著如何以Code實現想法，也從她的身上，學習著PPT的編制、以不同的面向思考、積極學習、行動力..等。我想，這次的合作，是一種很舒服的合作模式，我們各自發揮自身的長處，然後互相學習著。</p><h4>作為領導者，同甘苦，同進退。</h4><p>— — 在辦公室中，豪邁的笑聲總是不絕於耳，那是我的主管，一個略有點白髮，時常開著玩笑的長官。某一次副總、主管、Kerr與我們一同吃飯，副總問著：「阿你是企管系的怎麼會跑來ＩＴ？怎麼跟程式那麼熟？」主管往後一靠，嘴角一揚，低沉的說著：「我也不知道啊，就莫名其妙來了，阿也可能是跟天賦有點關係吧～」一個受人尊敬的領導者，不會時刻擺著自己的威嚴，他會以幽默的口吻跟夥伴們討論著時事，會掏出一兩百塊跟夥伴們一起簽六合彩，會皺起眉頭跟著夥伴們一起暗礁著User的非合理需求，主管以自身，教育著我們，如何編織出一個快樂的團隊。</p><h4>爭辯如同敲Code，清楚列明變數定義，並Return 最佳解。</h4><p>— — 要能統御一個部門，僅是幽默可還不夠。幾次跟主管一起開會下來，才能漸漸明白主管為何能當上主管。主管會先默默在旁邊聽著，但也不會就此甘於沈默，他會在旁安靜地蹲守，等待著適當的時機。手握數項觀點如網，一舉灑出，去蕪存菁，將盲點挑出，亦將發散的論點聚攏。如同 Function 最後的 Return，挑出最終需要的成果，一舉拋出，炸出一抹滿堂彩。</p><h4><a href="https://sites.google.com/view/cathaytechnews/home">培養每天閱讀新聞的習慣。</a></h4><p>— — 7~8月，我與兔仔迎來了最後一位ＩＴ實習生：泡芙仔，泡芙仔非常愛笑，通常我都抓不太到她的笑點，因此，試驗她的笑點何在，成為暑假一項很有趣的任務。暑假開始，Kerr給予了我們新的任務，其中一項是每日蒐集新聞，培養了我們每日看新聞的習慣，範圍包括投信業、ＡＩ以及 Fintech。最後我們製作了一個網頁，用以呈現兩個月來的努力，也讓我再次體認到，閱讀時事的重要，不僅是要充實知識，更是要累積與人交流的武器。</p><h4>三人行，都是我老師。</h4><p>— — 暑假面臨最困難的任務，大概就是以Ｃ＃進行原系統修改了。對於從來沒有學過物件導向的我，第一次接觸Ｃ＃，只能被一大堆繼承、class…等專有名詞弄得烏煙瘴氣。兔仔跟泡芙仔皆出身於資管學系，Jave、C#、HTML對他們而言，就如同家常便飯一般。導師分配給我們一人一個系統內的小介面，讓我們進行修改，從此 AU12 如同噩夢般，跟隨了我將近一個月有餘，也慶幸有她們，我才能迅速地進入狀況，也再次體會到了兔仔神乎其技的邏輯能力，可以迅速地理解舊有程式碼，針對目前情況找出可行且有效率之執行方式，最後對我原本寫好的程式進行部分優化。有如此強大的隊友，我能做的也只剩一件事了：「收起喪志的心，緊跟上他們的步伐。」</p><h4>人生最重要的莫過於能不止歇的學習。</h4><p>— — 部門內部安排了一些課程，內容包括資安議題、題目自訂的月會報告、ＥＴＦ介紹與在ＩＴ中的應用，網路爬蟲以及人生觀。題目自訂的月會報告很有趣，透過部門成員挑選有興趣的主題進行報告，不僅提供部門成員視野，也訓練ＩＴ人員的報告能力，七月的月會主題由龍哥帶來的耳機介紹，才發現原來耳機也能如此博大精深。Jerry帶給我們的，則是網路爬蟲的各項知識以及他以C#進行網路爬蟲的實作內容，真正的切中了我所渴望的知識，在程式學習路上，我想那是對我來說，極為重要的兩個小時。ＪＫ帶給我們的則是他對於人生的看法，他問著：「什麼對於人生最為重要？」對他來說，“ 學習 ”，正是不二之解，透過不斷不斷的學習，豐富內含，也豐富人生。</p><h4>做一道流動性極佳的水，主動地奔流、柔韌的適應。</h4><p>— — 在暑假的眾多課程中，對其中一堂課特別有印象，在上課之前，我們必須要完成一份適性測驗，測驗自身人格特質，最後由副總Jessica來為我們進行解說，透過這份測驗，更了解自己，但卻更不了解未來。我的結果為極高的通適性，代表著對所有事情都很能適應，但也代表著並沒有特別專精的項目。我只能保證自己像水一樣，到了每一個不同形狀的瓶子時，盡力的去適應著瓶子不同的形狀。但卻總是無法達到頂尖。</p><p>— — 如副總之高位，原本在我眼中，是個不太可能接觸到的人。然而，Jessica卻生生地打破我的既定印象。不僅對我與兔仔4~6月的專題記憶深刻(Jessica並沒有來聽我們報告，但卻認真的看過我們的ＰＰＴ。)，也透過在咖啡店的交流來更認識彼此。在上述那堂適性測驗的課程中，由於時間的關係並沒有辦法為所有人講解測驗結果，Jessica在最後主動說到，如果還有問題可以私下找她聊聊。令人感動的是，真的成功的約到與Jessica私下的交談，而並非如我稍早所想，可能僅是場面話。接近一個小時的交流中，Jessica提供了她認為適合我的職業選項，並針對我的適性測驗，給予了我要增加活動性、主動性的忠告。這就是我們的副總，真正的重視著對我們的培育。</p><h4>不斷的換位思考，告誡自己不可片面斷定。</h4><p>— — 暑假最後的專題發表為：「透過刷卡的紅利回饋，以openAPI蒐集後導入智能理財平台。」雖然概念很好，也是發展中的議題，但我們缺乏了對於投資人投資風險的考量以及角色立場間的利益分配考量，透過這次專題發表讓我們深思著Fintech發展的背後，不僅Tech要進步，社會科學同樣值得深思。不是一昧地求著科技的進步，而不思考進步背後帶來的隱憂，如人性之貪婪，如立場之對立。</p><h4>未來會變，但收穫早已烙印於心。</h4><p>— — 實習在2019/08/30結束，身為財金所學生的我，不知道多少次被誤以為是資管系的人 😅😅😅 四個半月下來，我想，至少無愧於心，收穫小如接觸了Ｃ＃、ＳＱＬ等程式語言，大則如對於未來人生的藍圖稍微清晰了一些，也不再如4月時那樣迷惘。未來還長，或許還會再改變，但即使再怎麼變，仍會帶著這份實習的收穫，勇敢的走下去。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*id-HggZX1Lq4A9Vl56nWWA.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fd357a4b721c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/rolandohsu/%E9%97%9C%E6%96%BC%E9%82%A3%E4%BA%9B%E5%AF%A6%E7%BF%92%E7%9A%84%E6%97%A5%E5%AD%90-fd357a4b721c">關於那些實習的日子</a> was originally published in <a href="https://medium.com/rolandohsu">RolandoHsu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>