精华内容
下载资源
问答
  • 对应分析图怎么画
    千次阅读
    2019-05-19 20:24:19

    统计分析–对应分析

    --------仅用于个人学习知识整理和sas/R语言/python代码整理


    1.前言

    对应分析,主要适用于有多个类别的分类变量,可以揭示同一个变量各个类别之间的差异,以及不同变量各个类别之间的对应关系(简介摘录自:https://www.jianshu.com/p/77a0d15f0336)

    以下通过实际例子 使用sas及r语言 进行实现,以及附上对应分析图的解读方式(没有找到python的实现方式,如果有,请不吝赐教!)

    2.sas实现

    1.源数据准备

    以下数据全为测试虚构数据,只用来说明数据格式及辅助图的解读
    输入数据集为以下交叉表格式,每一个数据代表该组别该变量的人数,假设这里要看五组人群和变量之间的关系,得到交叉表如下:
    在这里插入图片描述

    2.sas对应分析

    sas对应分析主要使用proc corresp过程步,在进行对应分析是var参数需要输入所有变量名,所以先将所有变量放入宏变量中,实现代码如下:

    /*存放变量*/
    proc contents data=rawdata out=cont noprint;run;
    proc sql  noprint;
    select kcompress("'"||name||"'")||"n " into : name3 separated by ' ' from cont where name^='CLUSTER' and 
    name^='cluster'  and name^='class' and  name^='right';
    quit;
    
    /*打印宏变量*/
    %put &name3.;
    
    /*进行对应分析*/
    proc corresp data=rawdata print=percent observed cellchi2 rp cp
            short outc=data_out plot(flip);
          var &name3;
          id class;
        run;
    %plotit(data=duiying.data_out,datatype=corresp,plotvars=Dim1 Dim2,color=black,href=0,vref=0) 
    /*绘制对应分析图; %plotit中指定的参数分别是输入数据集名称、数据类型、绘图的变量名,坐标轴的颜色和参考线。用前面的输出数据集results中两个变量Dim1 Dim2绘图*/
    run;
    
    3.对应分析图解读

    首先可以看到,第一维度解释了65.41%,第二维度解释了24.92%,说明在两个维度上,能够说明数据的90.33%

    对应分析图有很多种解读的方法,附上一篇很详细的对应分析图详解:
    http://www.botaijixie.cn/shiti/10937.html
    我们一般会使用向量分析,即看和这个人群比较关联的产品是哪些,在下图中,如果要看和a人群比较关联的label,会从原点出发,向a的方向画一个向量(原点到a的方向作为向量正向),然后每个产品点向这条直线做垂线,垂足和a点的正向越近,表示和a越关联
    在这里插入图片描述

    3.r语言实现

    r语言主要使用ca包中的ca函数
    附上一篇写的较为详细的r链接:https://www.douban.com/note/236880884/

    ca_data <- read_excel("Z:/ca.xlsx")
    
    ca_data2<-as.data.frame(ca_data[,-1])
    row.names(ca_data2)<-ca_data$class
    
    library(ca)
    plot(ca(ca_data2),dim = c(1,2),xlim=c(-1,1),ylim=c(-1,1), pch = c(16, 1, 17, 24))
    
    

    在这里插入图片描述

    更多相关内容
  • SPSS下如何进行对应分析

    千次阅读 2020-12-16 10:16:44
    何为对应分析 定义:对应分析又称关联分析、R-Q型因子分析,主要是揭示变量样品之间的相互关系的多元统计方法 应用场景:主要用于市场细分、产品定位等方面研究 条件:变量是名义变量或定序变量,行变量的类别取值...

    何为对应分析

    1. 定义:对应分析又称关联分析、R-Q型因子分析,主要是揭示变量样品之间的相互关系的多元统计方法
    2. 应用场景:主要用于市场细分、产品定位等方面研究
    3. 条件:变量是名义变量或定序变量,行变量的类别取值与列变量相互独立,行、列变量构成的交叉频数表不能有0值或负数
    4. 优点:
    • 名义变量划分的类别越多,这种分析的优势越明显
    • 可以将名义变量或定序变量转变为间距变量
    • 直观的在图形中展示变量各类别间的联系
    1. 缺点:
    • 不能用于相关关系的假设检验
    • 分析结果受易受到极端值的影响
    • 实质是降维,将原始数据按照一定规则以二维平面图形式展现,在此过程中部分信息会丢失

    一、多元对应分析【SP:降维–最优尺度】

    情景1:单选与单选

    案例背景介绍:

    某次调研中,有这样的一些问题:

    1. QA4_3.综合来讲,您认为一汽马自达品牌怎么样? 10分表示您认为这个品牌非常好,1分表示您认为这个品牌非常不好。打分题
    2. Q2. 您的性别是?【单选】

    在这里插入图片描述
    4. Q3. 您的学历是?【单选】
    在这里插入图片描述

    1. Q4. 您的职业是?【单选】
      在这里插入图片描述
    2. Q5. 您的年龄是?【单选】
      在这里插入图片描述

    需求介绍:

    对于一汽马自达品牌的评价【QA4_3】分成两种情况,“”1-7“【对一马评价低】”与“8-10”【对一马评价高】,对Q2 Q3 Q4 Q5进行多元对应分析

    实际操作:

    具体的操作流程如下:

    1. 针对QA4_3的结果划分成两组,生成新变量NQA4_3
    IF  (QA4_3 >= 1 & QA4_3  <= 7) NQA4_3=1.
    IF  (QA4_3 >= 8 & QA4_3  <= 10) NQA4_3=2.
    VARIABLE LABELS  NQA4_3 '对一马评价'.
    VALUE LABELS   NQA4_3
    1 '对一马评价低'
    2 '对一马评价高'.
    EXECUTE.
    
    1. Q4题的选项15【其他请注明】与实际的需求没有啥用处,需要Missing掉

    2. 进行多元对应分析
      手动操作
      在这里插入图片描述
      在这里插入图片描述
      在这里插入图片描述补充变量:将那些频数结果小的变量但是又不能丢弃的变量可以放到此处
      在这里插入图片描述
      在这里插入图片描述
      在这里插入图片描述
      在这里插入图片描述
      语法批量:
      在这里插入图片描述

    MULTIPLE CORRES VARIABLES=NQA4_3 Q2 Q3 Q4 Q5
    /ANALYSIS=NQA4_3(WEIGHT=1) Q2(WEIGHT=1) Q3(WEIGHT=1) Q4(WEIGHT=1) Q5(WEIGHT=1) 
    /MISSING=NQA4_3(PASSIVE,MODEIMPU) Q2(PASSIVE,MODEIMPU) Q3(PASSIVE,MODEIMPU) Q4(PASSIVE,MODEIMPU) 
    Q5(PASSIVE,MODEIMPU) 
    /DIMENSION=2
    /NORMALIZATION=VPRINCIPAL
    /MAXITER=100
    /CRITITER=.00001
    /PRINT=CORR DISCRIM QUANT(Q2 Q3 Q4 Q5 NQA4_3) 
    /PLOT=OBJECT(20) JOINTCAT(Q2 Q3 Q4 Q5 NQA4_3) (20) 
    DISCRIM (20).
    

    通过修改上述语法中的变量名【NQA4_3 Q2 Q3 Q4 Q5】,可以实现批量快速获得所需的分析。

    情景2:单选与多选

    多选题的处理—数据重组【转置】

    VARSTOCASES
      /ID=id
      /MAKE trans1 FROM QB2_1 QB2_2 QB2_3 QB2_4 QB2_5 QB2_6 QB2_7 QB2_8 QB2_9 QB2_10 QB2_11 QB2_12 
        QB2_13 QB2_14 QB2_15 QB2_16 QB2_17 QB2_18 QB2_19 QB2_20 QB2_21 QB2_22 QB2_23 QB2_24 QB2_25 QB2_26 
        QB2_27 QB2_28 QB2_29 QB2_30 QB2_31 QB2_32 QB2_33 QB2_34 QB2_35 QB2_36
      /MAKE trans2 FROM QB201_1 QB201_2 QB201_3 QB201_4 QB201_5 QB201_6 QB201_7 QB201_8 QB201_9 QB201_10 QB201_11 QB201_12 
        QB201_13 QB201_14 QB201_15 QB201_16 QB201_17 QB201_18 QB201_19 QB201_20 QB201_21 QB201_22 QB201_23 QB201_24 QB201_25 QB201_26 
        QB201_27 QB201_28 QB201_29 QB201_30 QB201_31 QB201_32 QB201_33 QB201_34 QB201_35 QB201_36
      /INDEX=索引1(36)
      /KEEP= Q2 Q4 Q5 Q7
      /NULL=drop.
    
    注释:
    1. QB2、QB2-1是多选题,转置成单选的形式,转置的结果是trans1、trans2
    2. keep的意思是要保留那些变量
    3. null=drop 意思是将空的结果删除

    多选题转置结果

    由于转置【数据重组】操作是在原始数据库上操作的,因此需要将结果另存为一份新的数据库。后续的操作将在此数据库上操作。
    在这里插入图片描述

    二、简单对应分析【SP:降维–对应分析】

    情景1:单选与单选

    案例背景介绍:沿用前面的案例,此处不赘述

    需求介绍:

    以为NQ4_3【低、高】区分,对Q4题职业进行简单对应分析

    实际操作:

    手动操作
    在这里插入图片描述
    在这里插入图片描述
    针对上述的选择变量时有个小技巧,键盘上同时按着Q和4,可快速找到Q4变量。
    在这里插入图片描述
    在这里插入图片描述

    此处是定义一下变量的取值范围,点击‘更新’。
    在这里插入图片描述

    语法批量:

    CORRESPONDENCE TABLE=NQA4_3(1 2) BY Q4(1 14)
      /DIMENSIONS=2
      /MEASURE=CHISQ
      /STANDARDIZE=RCMEAN
      /NORMALIZATION=SYMMETRICAL
      /PRINT=TABLE RPOINTS CPOINTS
      /PLOT=NDIM(1,MAX) BIPLOT(20) RPOINTS(20) CPOINTS(20).
    

    上述操作后没有跑出对应分析。具体的原因应该是只有一个维度,画不出对应分析图来。

    情景2:单选与多选

    将多选题重组成单选的形式,此时变成单选与单选操作,具体参照单选与单选的简单对应分析的操作步骤,此处不再重复介绍。

    需求介绍:

    以Q4题职业为区分,对QB2进行简单对应分析

    实际操作:

    手动操作
    在这里插入图片描述
    语法批量:

    CORRESPONDENCE TABLE=Q4(1 14) BY trans1(1 36)
      /DIMENSIONS=2
      /MEASURE=CHISQ
      /STANDARDIZE=RCMEAN
      /NORMALIZATION=SYMMETRICAL
      /PRINT=TABLE RPOINTS CPOINTS
      /PLOT=NDIM(1,MAX) BIPLOT(20).
    

    三、结果展示【部分展示】

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • GSEA富集分析图讲解

    千次阅读 2020-12-23 13:52:47
    GSEA分析也是功能分析的一种,GSEA的结果想必大家也不陌生,接下来就让小编带大家一下炫酷的基因集富集分析图吧~GSEA富集分析可以用GO的基因集也可以用KEGG的基因集,今天来看一下GSEA-KEGG分析首先加载相关的R...

    GSEA分析也是功能分析的一种,GSEA的结果图想必大家也不陌生,接下来就让小编带大家画一下炫酷的基因集富集分析图吧~

    GSEA富集分析可以用GO的基因集也可以用KEGG的基因集,今天来看一下GSEA-KEGG分析

    首先加载相关的R包

    ###########加载library(topGO)library(enrichplot)library(ggplot2)library(org.Hs.eg.db)#人类基因组注释相关的包library(DO.db)library(clusterProfiler)

    导入需要进行分析的基因,在这里,我们以差异表达分析中所有上调的基因

    ###########差异分析结果AML_diff0)),]head(AML_diff)head(AML_genelist_up)

    因为entrez ID 进行下一步分析比较准所以利用bitr函数转换一下ID,这里会转换

    ###########ID转换AML_genelist_up_l

    由于表达谱的基因ID一般是ensemblID,而 gseKEGG接受的ID是entrezID所以构建genelist要将entrezID、ensemblID和logFC合并

    ###########信息合并AML_genelist_up

    gseKEGG的输入必须是排序后的geneList;需要两列:命名(每一个数字都有一个对应的名字,就是相应的基因ID了);排序(是一串数字,数字是从高到低排序的)

    ###########排序geneList

    下面进行gseKEGG分析

    ###########GSEA分析AML_GSEA_KEGG_up

    AML_GSEA_KEGG_up$Description#富集到哪些基因集上

    AML_GSEA_KEGG_up$enrichmentScore#富集得分

    #根据enrichmentScore对GSEA的结果进行排序sortAML_GSEA_KEGG_up

    开始画图

    ###########画图gseaplot2(AML_GSEA_KEGG_up,row.names(sortAML_GSEA_KEGG_up))

    美化-只显示前三个基因集:

    ###########美化gseaplot2(AML_GSEA_KEGG_up,row.names(sortAML_GSEA_KEGG_up),#只显示前三个GSEA的结果title="AML_GSEA_KEGG_up",#标题 color = c("#626262","#8989FF","#FF0404"),#颜色 pvalue_table = FALSE, ES_geom = "line"#enrichment scored的展现方式 'line' or 'dot')

    展开全文
  • 目前,单一组学的文章不断“贬值”,前沿研究的目光从单一组学逐步拓展至多组学对贯穿分析,即结合多个组学的分析角度,从多个层面阐述生物学机制。微生物多组学贯穿分析策略十分丰富:如常见的16s与宏基因组贯穿...
    测序行业的蓬勃发展,带来微生物组学日新月异的变化。目前,单一组学的文章不断“贬值”,前沿研究的目光从单一组学逐步拓展至多组学对贯穿分析,即结合多个组学的分析角度,从多个层面阐述生物学机制。 微生物多组学贯穿分析策略十分丰富:如常见的16s与宏基因组贯穿分析,可以验证物种的特征、丰富功能的探究;而16s与代谢组的贯穿分析思路同样常见于高分文章中,通过16s探究不同处理/环境下菌群的物种组成变化,结合代谢组对应的代谢物的变化,进而找到不同处理/环境下引发细菌丰度差异最终导致代谢表型差异的机制。 参考阅读《选好思路和方法,给自己一篇多组学高分文章》 在16s与代谢组贯穿分析中 ,相关性热图是一个重要的分析手段,主要用于逐一呈现细菌物种与代谢物间的相关性高低,是筛选潜在关联的物种与代谢物的主要途径,对于下游的实验起到指导意义。此类相关性热图在高分文章中频繁出现,足见其重要性(图1、图2)。

    687837a199fd9d364ff5ea293d6261cb.png

    图1 物种代谢物热图(2015,Cell Host& Microbe,IF=15.753 )[1]

    82cacfb70a387d5732781e43bd713fc2.png

    图2 物种代谢物热图(2018,NatureMedicine,IF=30.641)[2 ] 那么,该如何画出此类高分文章中的相关性热图呢?这里,以16s与代谢组的数据为例,向大家分享如何使用R语言进行两个组学数据的相关性计算、绘制相关性热图。   1.加载R包
    #psych包用于计算相关性、p值等信息
    library(psych)
    #pheatmap包用于绘制相关性热图
    library(pheatmap)
    #reshape2包用于输出数据的整合处理
    library(reshape2)
    2.读入数据
    #读取微生物丰度信息表
    #表头需带有分类水平、物种名称等关键信息
    #第一列为样本名称信息
    phy "phy.xls", sep = "\t", header = T,row.names=1)

    2412afdc10bf1cd55881aa5f3351026a.png

    图3 微生物丰度信息表格
    #读取代谢物信息表
    met "met.xls", sep = "\t", header = T,row.names=1)

    5db92ab623f4baeff20b54b1016a4a49.png

    图4 代谢物丰度信息表格 3.计算相关性、p值
    #计算相关性矩阵(可选:”pearson”、”spearman”、”kendall”相关系数)、p值矩阵
    cor "pearson",adjust="none")
    #提取相关性、p值
    cmt pmt head(cmt)
    head(pmt)
    4.数据保存
    #输出相关系数表格,第一行为代谢物信息,第一列为物种信息
    cmt.outwrite.table(cmt.out,file="cor.txt",sep="\t",row.names=F)

    a2781d2ce42bae359ac698378cfa84a8.png

    图5 相关性系数表格  
    #输出p值表格,第一行为代谢物信息,第一列为物种信息
    pmt.outwrite.table(pmt.out,file="pvalue.txt",sep="\t",row.names=F)

    05ae10a0c0872d798710aba34facee86.png

    图6  p值表格  
    #以关系对的形式输出表格
    #第一列为物种名,第二列为代谢物名,第三、第四列对应显示相关系数与p值
    df "cor")
    df$pvalue as.vector(pmt)
    head(df)
    write.table(df,file="cor-p.txt",sep="\t")

    c823729ec909ea159ac6bae493766a9f.png

    图7  关系对信息   5.绘制显著性标记
    0.01的以“**”标注,p值
    6.绘制相关性热图
    #自定义颜色范围

    13275c5b984e8f8512b93f71658f12d9.png

    图8 R语言绘制的物种+代谢物相关性热图
    #图片保存,代码中输入”filename=”,或在R语言软件中点击“文件-另存为” 进行保存
    pheatmap(cmt,scale = "none",cluster_row = T, cluster_col = T, border=NA,
          display_numbers = pmt, fontsize_number = 12, number_color ="white",
          cellwidth = 20, cellheight =20,color=mycol,filename="heatmap.pdf")
    参考文献 [1]Kostic AD, Gevers D, Siljander H, et al. The dynamics ofthe human infant gut microbiome in development and in progression toward type 1diabetes. Cell Host Microbe. 2015;17(2):260–273.doi:10.1016/j.chom.2015.01.001 [2]Hoyles, Lesleyet al. “Molecular phenomics and metagenomics of hepatic steatosis innon-diabetic obese women.” Nature medicine vol. 24,7 (2018):1070-1080. doi:10.1038/s41591-018-0061-3   c96c07bb21d6d725db8229a305ff60a7.gif

    实用科研工具推荐      
    详实生信软件教程分享
    前沿创新组学文章解读
    独家生信视频教程发布

    0954afc25052147a1f00a264404d36d1.gif
    展开全文
  • circos作为一种非常高大上的数据可视化图像,广泛应用在会议汇报、科技论文中,然而相信很多人在绘制circos的过程中都止步不前,接下来小编教大家如何用最简单的方式来绘制circos。 首先,我们需要访问...
  • Graphpad Prism作相关性分析图

    万次阅读 2020-12-03 18:51:00
    1、打开Graphpad,创建新的工作表,如下所示,左侧的图表类型选择XY表,在右侧图表设置中,X选择第一个,Numbers,表示X轴为数值;Y也选择第一个,表示Y轴的每一个指标对应一个散点。选择好之后点击Creat; ...
  • 对应分析:在同一张上,直观的展现样本和属性的聚类效果,同时省去因子选择、因子轴旋转等复杂过程。具体操作,可以概括为,先将矩阵标准化(比如概率矩阵),再将样本集和属性集作为两组点集表示在同一个二维...
  • 原标题:结构流程不会?手把手教你学会!结构与流程是产品需求非常重要的组成部分,对于构建产品骨架,理清产品脉络有着非常重要的意义。 一、结构、流程、原型的关系如果说一款产品是一/多个问题的...
  • 主成分分析pca解读,主成分分析散点解读,主成分分析(PCA)原理详解1. 相关背景在许多领域的研究与应用中,往往需要对反映事物的多个变量进行大量的观测,收集大量数据以便进行分析寻找规律。多变量大样本无疑会为...
  • 如何优雅地句法树形 丨语言学午餐相信很多语言学、非语言学学生,在看到句法学的书上、论文上、试卷上出现这样的东西—— 你想的第一个问题可能是——这XX是什么? 当你知道这是句法树形之后,你想的第二个...
  • 数学建模常用模型16 :对应分析

    万次阅读 2018-08-20 14:44:04
    对应分析( correspondence analysis )是在R型和Q型因子分析基础上发展起来的多元统计分析方法,又称为R-Q型因子分析。 例 试用对应分析研究我国部分省份的农村居民家庭人均消费支出结构。选取7个变量:A为食品...
  • python 直方

    万次阅读 2019-08-23 23:44:51
    直方(histogram)虽然在样式上类似条形,但它们的作用不一样。直方用不同的矩形表示频数,...直方用到 pyplot 中的 hist 函数,它的基本语法为: [n, bins, patches] = hist(x, [bins], **kwargs) 输...
  • matlabe时域波形

    千次阅读 2021-04-18 04:07:57
    用Matlab出信号的时域波形及频谱,观察它们的关系。共20页_数学_自然科学_专业资料。用Matlab出信号的时域波形及频谱,观 察它们的关系。 ? 46、寓形宇内复......首先,新建一个 MATLAB 的 GUI 项目,在命令行输入 ...
  • 每天盯着地图看?不如学习制作疫情分析地图

    千次阅读 多人点赞 2020-02-06 17:25:22
    效果 准备工作 接口 最开始使用的接口是https://www.tianqiapi.com/api这个网站的免费接口,后来发现限制调用次数,于是就改换了CSDN某大佬的接口:https://www.maomin.club/fy/get。 Echart插件 ...
  • 因果图分析

    千次阅读 2021-08-24 16:14:12
    2.分析案例 六、为什么要有中间节点 1.无中间节点因果 2.有中间节点因果 一、因果图法 1.理解 因果是一种简化了的逻辑,能直观的表明程序输入条件(原因)和输出动作(结果)之间的相互关系; 因果...
  • 学生党整理一些关于数据分析的知识:整理了多变量分析绘图及分类属性...主要包括了多指标离散的绘制、盒的绘制、violin的绘制、条形的绘制、点图的绘制、多层面板分类的绘制及factorplot()函数的详细说明。
  • GIS可视化—热力制作与热点分析(一)

    万次阅读 多人点赞 2018-03-31 21:52:27
    讲师:张海平老师(高级城市数据分析师),本文对讲解PPT中的内容进行总结概括,并方便自己以及他人更加直观的了解与学习热力方面的知识,未经博主允许请勿转载,如有侵权请联系博主。相关学习资源(持续更新) ...
  • Python数据分析(一) —— 绘制简单的折线

    千次阅读 多人点赞 2021-11-18 11:04:47
    运用matplotlib绘制简单的折线,对实际问题进行可视化分析
  • R绘图实战|GSEA富集分析图

    千次阅读 多人点赞 2021-03-18 20:26:17
    后台难得有读者私信,请教了下中文章的GSEA能不能用R来,今天就来简单写个教学。 GSEA(Gene Set EnrichmentAnalysis),即基因集富集分析,它的基本思想是使用预定义的基因,将基因按照在两类样本中的差异...
  • Python数据分析(五) —— 绘制直方

    千次阅读 2021-11-22 12:27:21
    这篇文章总的讲述了一下绘制频数直方和频率直方的绘制方法,通过图像进行比较,发现各个直方的优缺点,以便在工程中进行运用。
  • 在上一期中我们详细的讲解了多因素方差分析中简单效应的SPSS操作方法,以及数据分析结果的解读。今天我们进一步讲解如何对简单效应的成对比较进行统计图形的绘制。用到的是统计绘图软件GraphPad Prism​目前市面上很...
  • ns(c语言ns流程怎么)

    千次阅读 2021-01-17 02:26:14
    你好 以下是关于C语言的N-S流程的百例子: 有50个学生,度要求将他们之中问成绩在答80分以上者打印出来。设n表示学号, n1代表第一个学生版学号, 代表第i个学.描述算法的工具中,N-S结构化流程和传统流程,...
  • matplotlib折线

    千次阅读 2018-12-16 21:16:46
    matplotlib折线 假设一天中每隔两个小时(range(2,26,2))的气温(℃)分别是[15,13,14.5,17,20,25,26,26,27,22,18,15] 代码如下: # 导入pyplot from matplotlib import pyplot as plt # 数据在X轴的位置,是一...
  • 1、箱形 1.1箱型的定义 箱型(Boxplot)也称箱须(Box-whiskerPlot)、盒式或箱线图,是利用数据中的五个统计量:最小值、上四分位数、中位数、下四分位数与最大值来描述数据的一种统计。它能够直观地...
  • 数据可视化之使用Seaborn热力

    千次阅读 2021-12-11 19:18:14
    热力的想法很简单,用颜色替换数字。 现在,这种可视化风格已经从最初的颜色编码表格走了很长一段路。热力被广泛用于地理空间数据。这种通常用于描述变量的密度或强度,模式可视化、方差甚至异常可视化等。 ...
  • matlab散点并拟合函数曲线 MATLAB散点和二次函数www.zhiqu.org 时间: 2020-12-07画法如下:在输入栏分别输入x=[...............],y=[.........................]matlab的开始菜单start->toolboxes->...
  • 结构化系统分析——数据流和数据字典案例分析一、数据流案例分析1、案例1:商店业务管理系统2、案例2:学籍管理系统3、案例3:大型企业数据中心二、数据字典案例分析1、案例1:学籍管理系统 接上一篇文章的内容...
  • python最全地图,可视化数据

    万次阅读 多人点赞 2018-08-17 18:56:23
    要记得安装对应的地图拓展: 选择自己需要的安装 $ pip install echarts-countries-pypkg $ pip install echarts-china-provinces-pypkg $ pip install echarts-china-cities-pypkg $ pip install echarts-...
  • 一,常见的网络拓扑图标 二,核心交换机,汇聚交换机,接入交换机的区别? 三,核心交换机,汇聚交换机,接入交换机如何使用? 一、核心层交换机和汇聚层交换机区别 1、功能区别 2、...
  • Origin如何进行主成分分析

    万次阅读 2021-01-28 10:53:58
    介绍主成分分析(principal components analysis, PCA)也称主分量分析,由霍特林(Hotelling)于1933年首先提出。主成分分析是利用降维的思想,在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 192,917
精华内容 77,166
关键字:

对应分析图怎么画

友情链接: matlab-script.rar