pua什么叫
其实PUA一开始是个褒义词森烂，全称是PickUpArtist，可直译为“搭讪艺术家”。起初，PUA是一种帮助人们（男性为主）与异性交往及发展和谐的亲密关系的交往技巧，具有正面意义。
但一段时间之后PUA畸形发展，因为有之前的经验积累，导致“搭讪艺术家”已经把女性心理摸透了，结果就被利用为情感欺骗和心理操控的方法，成为“不良PUA”。慢慢的又演变出了“家庭PUA”、“职场PUA”
骗财骗色的情感PUA，“我都是为你好！”的家庭PUA，“你怎么什么都不会，你简直是个垃圾”的职场PUA，都会一步步设下陷阱，其中一个陷阱就是自尊摧毁陷阱。
不良PUA使用者会开始摧毁受害者的自尊。在这个过程中，不良PUA使用者会通过多次放大受害者的一丁点儿小错误，令受害者产生强烈的负罪感。
PUA的来历：谜男（Mystery）1971年生于加拿大多伦多，本名艾瑞克·冯·马可维克（ErikvonMarkovik）。谜男身高195cm，作为一个职业魔术师，他经过大量时间通过魔术表演摸索出一套方法，可以打开女性吸引开关，让他可以更容易把酒吧的异性带走。2001年，谜男开始把妹达人线下教学（夜店现场培训），当时的课程费用是500美金，第一期5个学员，其中一个叫型男（尼尔·史特劳斯），这个人把迷男这套理论写成了一本书，成为了PUA的开山之作：《把妹达人》。
PUA的一些陷阱解析：
首先，对遇到的妹子，用六芒星审判，进行打分，根据分值的高低，进行分析，以决定这个妹子是长期关系还是短期关系（R代表繁衍价值，X代表内心特质）
然后，设计自己的人设：分别有浪子模式、帝王模式、诗人模式就不做细致陈述了
好奇陷阱：也就是展示自己的高价值，以至于当时莆田A货，卖的异常火爆，其中也有PUA培训班的一份功劳，
首先，自己的展示面得做好，出入高档会所的视频照片，偶尔打打电话谈论下百万级别的项目，让妹子对自没春派己产生兴趣
探索陷阱：这就与自己的人设相对应，比如：要选择的是浪子模式的人设，就细微的表现出自己痴情的一面，这是妹子就会主动想要了解，产生探索欲望~
着迷陷阱：在不断的探索中，向妹子逐渐表现出，原来浪子也有深情的一面，之后不断用语言诱导妹子，产生是她爱上自己的错觉，她们会真的感觉自己爱上你了，之后不断的进行索取，由于沉默成本的产生，对方便越陷越深
情感摧残：在妹子已经沦陷后，适时进行打击，找对方缺点，并进行不断扩大，让其产生负罪感，丧失自尊，妹子会对你更痴迷！！
情感虐待陷阱：此就省去1000字，做到这一步，也就不配当人了~
pua与斯慕/DS关系的区别
斯慕是尊重双方意愿的情况下开始的，根据慕的喜好意愿着手逐步开发下线扩大接受度。
一个好的斯需要给予慕正确的观念和保护慕的安全与心理健康。在慕迷茫时给予关怀和慰藉。斯需要成熟理智，需要正确掌握慕欲望，还需要让慕崇拜敬畏信任。不是单一的疼痛伤害，慕会在疼痛和恐惧中获得想要生理或者心理快感，不是只有一味的痛苦。
pua是从一个完美形象开始的，让女生产生好感。在一起后颠覆形象变成一个暴力狂躁的状态，接着揪住女生错误放大错误，让女生产生愧疚感，以此为要挟让女生一次次妥协。_伤害自己并且把一切错误推给女生让她觉得男生变成这个样子都是女生造成的，接着让女生伤害自己，毁坏女生自尊心给女生打造一种是因为太爱他所以才愿意伤害自己付出一切。
让女生觉得自己这个样子会让男生开心或者说只要让男生开心可以接受一切，女生会沉醉在自己的付出中无法自拔。最终无法挽回男生没有投入感情在其中，男生只是一个高高在上的掌控者来确定游戏走向。
在事情走歪时候及时拉回来，对于他来说女生只是一个棋子来实验自己游戏是否成功的棋子。（此言论以北大女生pua事件为论点）两个的区别在于承受伤害的一方是否是心甘情愿的，能不能在这个过程中让你感受到快乐，这个人有没有让你变得更好更优秀。
我们常说，一段好的关系，是让两个人都舒服，都找到最好的自我的，相反，如果一段关系让越来越没有自我，那么就要警醒了，这时，你不妨问问自己，究竟真的是因为你不枯贺够好，还是因为你遇见了一个不够好的人？识别出那些有PUA特质的人，并远离他们，才是让自己变好最好的方式。
r语言入门数据分析
本文分析利用IBM离职员工数据进行分析。在对离职率的影响因素进行观察的基础至上，建立模型并预测哪些员工更易离职。
一般而言，数据分析分为三个步骤：数据收集与清洗、探索性分析和建模预测。本文的数据集是IBM用于研究员工预测的 模拟数据 ，数据十分完整，无需清洗。因此，本文主要分为三个部分：
通过对IBM离职员工数据实践，本文希望发掘出影响员闭运世工流失的因素，并对利用R语言进行数据分析过程进行复习，深化对数据分析工作意义的理解。
IBM离职员工数据集共有35个变量，1470个观测个悄慧案。部分需要重点关注的变量如下：
上述变量可以分为三个部分：
载入分析包和数据集
通过描述性统计可以初步观测到：
分析结果轿肢：
基于对数据的探索性分析，员工离职有多方面因素的影响，主要有：
1.工作与生活的不平衡——加班、离家远和出差等；
2.工作投入如果不能获得相匹配的回报，员工更倾向离职；
3.优先股认购等福利是员工较为关注的回报形式；
4.年龄、任职过的公司数量的因素也会影响员工离职率；
删除需要的变量：EmployeeCount, EmployeeNumber, Over18, StandardHours
变量重新编码：JobRole, EducationFiled
分析结果表明：
随机森林所得的AUC值为0.5612，小于决策树模型。
GBM模型得到的AUC值为0.5915
对于对于随机森林和GBM的方法，AUC值小于单一决策树模型的AUC值的情况较少见，这显然说明单一的树拟合得更好或者更稳定的情况。（一般需要得到AUC值大于0.75的模型）
当结果分类变量之间的比列是1：10或者更高的时候，通常需要考虑优化模型。本例中，离职变量的比列是1：5左右，但仍然可能是合理的，因为在决策树中看到的主要问题是预测那些实际离开的人（敏感度）。
加权旨在降低少数群体中的错误，这里是离职群体。
向上采样（up-sampling）指从多数类中随机删除实例。
向下采样（down-sampling）指从少数类中复制实例。
分析结果表明：
加权调整的模型表现最好，相比较于单纯的随机森林和GBM模型，AUC值从0.5612上升至0.7803，灵敏度也达到了0.7276。据此，后续将采用加权调整后的模型进行预测。
已经训练出一个表现较好的模型。将其应用于实践时，需要注意以下几个方面：
可以观察到影响员工流失的前5个因素是：
因此，在实践中就需要注意：
本例中对工作投入高、收入低的员工进行预测。
本例分析仍有需要足够完善的地方，还可以往更多更有意义的地方探索：
