
你真的不了解这个星球—涨姿势的大数据
1. 首先来看看地球,看起来不错哟,地球~
2. 图中圈圈里头的人口,比其他地区的所有总和都还要多。
3. 以整个地球史来看,曾活过的人类高达1150亿人,其中包括现存的70亿人口,你也是其中的一员。
上图每一个点就是1000万人,每年有1.4亿人诞生,现在有70亿人口;每年有5700万人死亡,估计曾有1080亿人在地球生活过,然后死去。
4. 每一天,地球都有人飞来又飞去,就像下图这样:
5. 这是南极州,比美国还要大呢!
还有,非洲比你想像的还要大多了,看看一些国家塞进来的样子…
把美国、西班牙、比利时、荷兰、法国、德国、义大利、瑞士、东欧、印度、中国的一部分、英国、日本…全都放进去。
6. 如果地球没有水的话,就会变成这样…
7. 你知道太平洋其实比起想像的还要大吗?
8. 这是马里亚纳海沟 (Mariana Trench) 的深度,难怪还有这么多人类尚未探索到的海底生物。
可以深到10972公尺…或更多。
9. 我们都知道有很多人造卫星,但是你知道有这么多吗?
10. 把美国放到月球的话,大小比例是这样…
11. 地球到月球的距离貌似很短,但是已经可以塞下太阳系的所有星球了。
有384,400公里那么远喔~
12. 若把火星上头的奥林帕斯山 (Olympus Mons) 拿来跟地球的高山来比较的话…地球的好像就是小儿科啊…
奥林帕斯山有27公里高,几乎是圣母峰的3倍高,也比毛纳基火山 (从水底山脚计算) 的2倍还要高。奥林帕斯山已经高耸进火星的大气层了。它的基底有550公里那么宽广,意思也就是,如果你站在破火山口来看的话,它的山脚会一路绵延超过地平线。
13. 而这座巨型火山,大概也跟一个法国差不多大。
14. 木星的体积也不小,只是距离我们太远了。但如果木星距离我们就跟月球一样近的话,我们会看到…
心脏根本就不够用啊!仰望天空时太惊悚了吧!
15. 左是木星卫星「木卫二」(Europa) 上头的水量,右则是地球上的水量。
什么!地球的水比想像中的还要少这么多呀!
16. 每一天,都是木星让陨石的轨迹远离地球的。
虽然不知道你听不听得到,但谢谢你,木星。(对天呐喊~)
17. 我们都知道宇宙里头有许多彗星,但你可能对它们的大小没有什么概念。好吧,如果拿洛杉矶 (LA) 跟彗星比较的话…
18. 我们的太阳系也是不断地移动,我们现在跟2.25亿年前的地球是在同一个位置,当时恐龙都还活着。
我们的太阳系会花上2.25亿年绕行银河系,上一次地球在同一个位置的时候,恐龙都还存在着。
19. 仰望天空,我们都觉得其他的星星很小,但若从土星的环后方来看的话,地球也相当渺小。
20. 事实上,你眼睛所能看见、人类所知道的,其实都只有在这小小的圈圈里头。
21. 而在银河系当中,所有人类向宇宙广播可以触及的范围,就只有那蓝色的小点点那么多。难怪我们一直都没有找到其他高智能的生命…
22. 而这是我们每年在银河系当中所发现的星球数量:
23. 银河系貌似很大,但我们再来比较一下…
(左到右) 银河系、仙女座星系 (Andromeda)、室女A星系 (m87)、IC-1011星系。
24. 看完之后,你可能跟我一样觉得自己相当渺小,但别忘了,每天有上兆的细胞在你的体内运行着。以下是白血球正在攻击寄生虫的样子:
25. 在细分一些,这些东西都是由分子组成的,而这是其中的一个:
最后也忘了,你体内是有7,000,000,000,000,000,000,000,000,000 个原子的,这就是你!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14