剧情简介
英国喜剧《鼠吼奇谈》的续集，但幕前幕后均改由不同的人马摄制，成绩也打了点折扣。这部依旧以芬威克大公国为故事背景的英式喜剧仍具有浓厚的政治讽刺性，在导演理查德．赖斯特夸张得别具风格的掌控下具有不俗的娱乐
观众评论
★ 1.1/10
看了挺长时间，终于看完了，可能是境界还不到位。
生活工作中处处需要增长，增长是不断做出正确选择的过程，看似简单却是一件很难的事。
加油，希望早日完成增长！
★ 5.4/10
如何使需求预测更准确
把需求预测由前置仓集中到中心仓，在颗粒大的地方做预测。在清洗、整理数据的前提下，选择更好的预测方法，做好数据分析，提高基准预测的准确率。基于需求历史制定基准预测后，由销售、市场、产品管理等部门基于市场需求做出预测调整。
一、数据清洗
以数据清洗为前提，提高数据的准确性，为后续的需求预测和库存计划打好基础。
检验数据的一致性，发现超出正常范围、逻辑上不合理或者相互矛盾的数据，供进一步核对和纠正；用样品均值、中位数或众数代替无效值和缺失值，删除特定样品，甚至删除整个变量。
应采取“削峰填谷”的方法进行数据清洗，即促销期间以及相邻的时段，用之前一段时间的平均需求来代替。至于时段多长，取决于具体业务特点，跟移动平均法要用多长周期的历史数据的道理类似。削峰填谷后就得到基准数据，然后用合适的预测模型来制定基准预测。至于后续的促销，许需要另外预测，叠加到基准预测，就是最终预测。
【数据清洗的步骤】
1.预处理阶段：
（1）将数据导入处理工具，单机跑数搭建MySQL环境，数据量大，可以使用文本文件存储+Python操作的方式。
（2）看数据。一看元数据，包括字段解释、数据来源、代码表等一切描述数据的信息。而是抽取一部分数据，使用人工查看方式，对数据有一个直观了解，并初步发现一些问题，为后续的处理做准备。
2.缺失值清洗
（1）确定缺失值范围：对每一个字段都计算其缺失值比例，然后按照缺失比例和字段的重要性，分别制定策略。
（2）去除不需要的字段
（3）填充缺失内容
·以业务知识或经验推测填充缺失值
·以同一指标的计算结果（均值、中位数、众数等）填充缺失值
·以不同指标的计算结果填充缺失值
（4）重新取数
3.格式内容清洗
（1）时间、日期、数值、全半角等显示格式不一致
（2）内容中有不该存在的字符
（3）内容与该字段应有内容不符
4.逻辑错误清洗
（1）去重
（2）去除不合理值
（3）修正矛盾内容
5.非需求数据清洗
6.关联性验证
二、数据分析
根据预测精准度，通过平均绝对百分比误差、均方误差的准确度指标，采取更优的预测方法，选择合适的预测模型，同时还要考虑现货率、库存周转率和运营成本。
复盘过去一段时间的预测，通过比较各种方法的准确度，来选择更合适的预测模型。对于每版预测，保留过去几周的值，计算每周的预测误差，求出均方误差，根据均方误差的大小，决定下次预测用什么方法。
1.移动平均法
适用于需求相对平稳，没有趋势、季节性的情况。
A.简单移动平均
Ft+1=过去n期需求的总数/n=D1+Dt-1+Dt-2+......+Dt-n+1/n
B.加权移动平均
需求历史越接近，权重比例越大，所有权重加起来为1。
Ft+1=W1D1+W2D2+........+WnDt-n+1
2.指数平滑法（调整误差）
A.简单指数平滑法
平滑参数(α) α介于0和1之间，通过选择不同的平滑系数，指数平滑法可以更好的匹配业务的变化 需求历史越近，权重越大，能更快的响应需求变化。
Ft+1=Ft+α(Dt-Ft)
平滑系数α的选取
·当需求历史比较稳定时，选取较小的α值，0.05～0.2
·当需求历史有波动，但长期趋势没有大的变化时，可选取稍大的α值，0.1～0.4
·当需求历史波动很大，呈现明显且迅速的上升或下降趋势时，宜选取较大的α 值，0.6～0.8
·当需求历史是上升或者下降序列时，α宜取较大值，0.6～1
B.霍尔特双参数法（应对趋势）
本期水平部分=α*本期需求实际值+（1-α）*（上期水平部分+上期趋势部分）
本期趋势部分=β*（本期水平部分-上期
★ 7.7/10
社会学研究或思考的比较接地气的方法论吧。谢谢译者。大家笑话了！
★ 6.5/10
最棒的人文主義教材！
★ 3.2/10
还记得当初看十年，为温衡和言希的遭遇难过到心揪起来；再看这部剧，依旧有这种感觉，像温衡的俞迟，像言希的阮宁，为他们童年所遭遇过的伤痛感到心疼到拧巴，怎么会有这么可怜的孩子；阮宁三次情绪病发作疯掉，俞迟十几岁少年时的两年时光被后奶奶贩卖给异国他乡的人贩子……这是一个略伤痛的故事，也有着让人无比羡慕向往的爱情，青梅竹马，历经磨难的他们会一直携手走下去！
★ 4.3/10
妖怪有情，人间有义。娓娓道来，没有大气磅礴，没有金戈铁马，却流淌着内心深处柔软的部分——爱。