精华内容
下载资源
问答
  • 统计分析--对应分析

    千次阅读 2019-05-19 20:24:19
    统计分析–对应分析sas/r实现 --------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... 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...

    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

    展开全文
  • SPSS学习笔记——对应分析

    千次阅读 2019-06-09 19:15:59
    这一步是为了先知道行和列的两个变量之间有没有相关性,有相关性才能做对应分析。 【加权个案】 用人数加权 【分析】-【描述统计】-【交叉表格】将【统计】-卡方和相关性,【单元格】中的期望值选中 从卡方检验...

    一、先做列联表分析

    (两个都是定类变量,如果是数值型,就把它分组,每个组起一个名字)
    这一步是为了先知道行和列的两个变量之间有没有相关性,有相关性才能做对应性分析。
    【加权个案】 用人数加权
    【分析】-【描述统计】-【交叉表格】将【统计】-卡方和相关性,【单元格】中的期望值选中

    从卡方检验结果表格可知,卡方检验的相伴概率p值为0.000,小于0.05,说明行变量和列变量不是相互独立的,即肺活量和性别之间不是独立的,而是存在相关性。

    皮尔森相关系数r等于-0.344,相伴概率p为0.000,说明两个性别变量和肺活量变量存在一定的负相关性,即男生的平均肺活量比女生的大。斯皮尔曼相关系数给出了同样的结果。

    二、【分析】– 【降维】– 【对应分析】

    行和列选进去以后,要定义范围
    默认的选项即可,双标图一定要有
    分析的是摘要表~
    分析的结果解释:
    2)卡方检验及P值:用于检验变量之间是否存在关联。如果行、列变量之间没有关联(P值大于0.2)就没有进行对应分析的必要了。
    p值小于0.05可知,行列变量之间存在一定的相关性。p值很小说明列联表的行与列之间有较强的相关性。
    从表格中可以看出,原始交叉表中最多可以提取三个维度,因为第一维度与第二个维度已经可以解释99.6% 的信息了,而第三个维度只携带0.4%的信息,所以第三个维度可以忽略,只考察前两个维度的信息。

    在对应分析图中,分别向x轴和y轴加入参考线,并将位置改在原点0.0处。可以得到原点(0.0)。
    原点(0.0)表示没有任何倾向,没有任何关联的一个中心位置。

    避免错误的解释(金色头发和蓝色、浅色眼睛离得近)
     错误的解释:金色头发的儿童中蓝色、浅色眼睛者居多
     正确的解释:相对于平均水平而言,金色头发的儿童中蓝色、浅色眼睛的比例要高一些,也就是高于其他颜色头发的儿童。

    解读方法转载自沈浩老师的博客http://shenhaolaoshi.blog.sohu.com/133694659.html

    解读方法:
    1-总体观察:
    我们从图上左右可以看出,左边全部是M*,男性,右边F*全部是女性,说明男女有显著差异;同时看横轴中线上方都是年龄大的,下面都是年龄小的,说明年龄有差异;这样就一目了然看出和回答了前两个问题;

    2-观察邻近区域
    我们从图上可以看出,老的男性比较喜欢HANG,GAS和GUN是年轻男性的偏好;老的女性比较喜欢DAWN,年轻的女性比较偏好POISON;

    3-向量分析——偏好排序
    我们可以从中心向任意点连线-向量,例如从中心向GUN做向量,然后让所有的人往这条向量及延长线上作垂线,垂点越靠近向量正向的表示越偏好这种方法。
    在这里插入图片描述
    记住:是垂点到GUN正向排名,从图中我们可以看出,希望GUN方法的人依次是M15、M30、M45、M60、M80、F15等等;依次类推,我们还可以从中心向任意一种方法作垂线,都可以排出每种方法选择人群的偏好次序;当然,你也可以从中心往所有的人作向量,得到每一类人在选择六种方法上的偏好排名!

    你是否可以看出,F15年轻的女性对六个“品牌”的偏好吗?

    4-向量的夹角——余弦定理
    接着,我们可以从向量夹角的角度看不同方法或不同人之间的相似情况,从余弦定理的角度看相似性!
    在这里插入图片描述
    从图上我们可以看出,当我们从中心向任意两个点(相同类别)做向量的时候,夹角是锐角的话表示两个方法具有相似性,锐角越小越相似;也就是说,GUN和GAS是相似品牌,当如也是竞争品牌,也具有替代性,如果这次开枪没有自杀成功,下次他一定选择毒气啦;我们也看出F15和F30的人比较相似,但F15与M80就有非常大的差异了,因为如果作向量他们是钝角,几乎是平角了!

    5-从距离中的位置看:越靠近中心,越没有特征,越远离中心,说明特征越明显
    从这张对应图中我们看到,有些点远离中心,有些点靠近中心,这说明什么呢?从几何空间的角度,如果我对每一人都一样的好,在规范图上我就应该站在大家的重心,也就是中心;这说明越靠近中心的点,越没有差异,(记住:没有差异并不代表不重要,只是没有差异,因为统计的技术是研究差异的技术,差异越大往往重要性就大!),越远离中心特征越明显,也就是说,如果听到一个M80的人自杀了,估计你就会想到是不是HANG啦!

    从品牌角度思考,说明越远离中的的品牌,消费者很容易识别,说明品牌特征(特色、特点)明显,越靠近中心的品牌,消费者不易识别,也说明你的品牌定位没有显著可识别的特征,没有差异认知!

    6-坐标轴定义和象限分析
    我们还没有定义坐标轴呢?从第一点的分析,其实我们很快就可以定义坐标轴的含义了!(当然有时候对应图的座位是非常难定义的)
    在这里插入图片描述
    因此,落在第四象限的是年轻的女性所喜欢的品牌!

    7-产品定位:理想点与反理想点模型
    在这里插入图片描述
    我们可以在图上以POISON为定位点,以POISON为圆心,以它的利益为半径画圆,那么我们可以得出这样的结论:越先圈进来的人就是最喜欢这个品牌的消费群,越先圈进来的品牌越可能是竞争品牌;当然,你也可以以某类人作为圆心,同意解读;如果POISON是市场不存在的,在调查中可以设定为理想点,这样我们就可以得到理想点模型,同理也可以得到反理想点模型分析!

    展开全文
  • 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...

    对应分析与典型相关分析笔记_数学建模系列

    这里的对应分析与典型相关分析仍然用于降维,因子分析的进阶!

    对应分析:在同一张图上,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坐标中(选取最优二维表示)。
    典型相关分析:为了从总体上把握两组指标之间的相关关系,分别在两组变量中提取有代表性的两个综合变量U1和V1(分别为两个变量组中各变量的线性组合),利用U1和V1之间的相关关系来反映两组指标之间的整体相关性。目标通常是找到使U1和V1相关性最高的两个系数向量。

    对应分析

    (↓R)

    ## 数据读入 ##
    inputData <- read.csv("*C:\\Users\\lenovo\\Desktop\\1.csv*", header = TRUE, sep = ",")
    X <- inputData[, -1]
    rownames(X) <- inputData[, 1]
    
    ## 进行对应分析,生成报表,绘制因子分析的散点图 ##
    library(ca)
    X.ca <- ca(X)
    summary(X.ca)
    plot(X.ca)
    

    典型相关分析

    (↓R)

    ## 数据读入 ##
    inputData <- read.csv("*C:\\Users\\lenovo\\Desktop\\1.csv*", header = TRUE, sep = ",")
    X <- inputData[, -1]
    rownames(X) <- inputData[, 1]
    X.scale <- scale(X) # 数据标准化
    
    ## 对标准化的数据做典型相关分析,并生成报表 ##
    numVarientsFirstGroup <- 3 # 修改列数,选取出两组待研究变量
    numVarientsSecondGroup <- 3
    X.ca <- cancor(X.scale[, 1:numVarientsFirstGroup], X.scale[, (numVarientsFirstGroup + 1):(numVarientsFirstGroup + numVarientsSecondGroup)]) 
    X.ca
    
    ## 计算数据在典型变量下的得分,U=AX,V=BY ##
    U <- as.matrix(X.scale[, 1:numVarientsFirstGroup]) %*% X.ca$xcoef
    V <- as.matrix(X.scale[, (numVarientsFirstGroup + 1):(numVarientsFirstGroup + numVarientsSecondGroup)]) %*% X.ca$ycoef
    
    ## 画出Ui、Vi为组表的数据散点图 ##
    plot(U[, 1], V[, 1], xlab = "U1", ylab = "V1")
    plot(U[, 2], V[, 2], xlab = "U2", ylab = "V2")
    plot(U[, 3], V[, 3], xlab = "U3", ylab = "V3")
    
    ## 典型相关系数的显著性检验 ##
    source("*D:\\数学建模\\corcoef.test.R*")
    corcoef.test(r = X.ca$cor, n = nrow(X.scale), p = numVarientsFirstGroup, q = numVarientsSecondGroup)
    

    其他参考

    典型相关变量检验函数

    (↓R)

    corcoef.test <- function(r, n, p, q, alpha = 0.1) {
      m <- length(r);
      Q <- rep(0, m);
      lambda <- 1;
      for (k in m:1) {
        lambda <- lambda * (1 - r[k]^2); # test statistic
        Q[k]<- -log(lambda); # logarithm of test statistics
      }
      s <- 0;
      i <- m;
      for (k in 1:m) {
        Q[k] <- (n - k + 1 - 1/2 * (p + q + 3) + s) * Q[k] # statistic
        chi <- 1 - pchisq(Q[k], (p - k + 1) * (q - k + 1))      
        if (chi > alpha) {
          i <- k - 1;
          break
        }
        s <- s + 1 / r[k]^2
      }
      i #output, which pair of typical variables selected
    }

    Reference

    R部分:荔枝编写

    附:
    对应分析方法与对应图解读方法——七种分析角度
    5中降维方法

    本文由厦门大学荔枝带飞队编写
    展开全文
  • 例如,如果你再也不想在相关性分析图时输入p-l-o-t这几个字母了,欢迎你输入s-p-l-o-m,当然在此之前你需要下载好lattice包并将其载入库内。 As open source software, R behaves quite friendly that it commonly...

    转载自:http://site.douban.com/182577/widget/notes/12866356/note/267793990/

     

     

     

     

     

    作为一个开源软件,R常常通过在人们厌烦了使用某个特定函数的时候提供一些代替函数来表现其友好性。例如,如果你再也不想在画相关性分析图时输入p-l-o-t这几个字母了,欢迎你输入s-p-l-o-m,当然在此之前你需要下载好lattice包并将其载入库内。
    As open source software, R behaves quite friendly that it commonly gives people alternatives when they are tired of using one specific function :) For example, if you are unwilling to type p-l-o-t any more when you need to draw pair plots, you are welcomed to enter s-p-l-o-m with the lattice package downloaded from the internet and loaded to the library ahead.

    > # Plot pair plots of returns using the splom function from the lattice package
    > library(lattice)
    > splom(Capm/100,pch=19,col=rgb(0,0,100,50,maxColorValue=255))

     
     

     


    老实说,我个人不认为使用splom()函数是比plot()函数更好的选择。p-l-o-t是R中一个日常使用率极高的函数,即使我在夜里做梦时也能大声并清晰地说出这个函数的名字,但我却十有八九没法儿拼出所谓的s-p-o-x-x还是s-p-l-x-x函数的名字,更不用说splom()毫无进步,除非让画出来的图变得更加难以辨认和乱七八糟也算作进步。但是不要灰心气馁哦,亲!更好的替代函数的确是存在的。例如,你只需使用另一个基本绘画函数paris()。这个函数的使用方法和plot()函数几乎一样。
    To be honest, I personally do not consider using splom() function rather than plot() function as a better choice. The p-l-o-t is a daily-used function in R of which the name can be spoken aloud even I am dreaming at night while I am unable to spell the name of the so-called s-p-o-x-x or s-p-l-x-x function nine times out of ten, let alone the splom() function makes no improvement unless making a plot unreadable and messy counts. However, keep your chin up, my friend. Better rather than worse alternatives do exist. For example, you can simply use another basic plotting function, pairs(). This function can be applied almost in the same way as the plot() function.

    pairs(Capm/100,labels=c("Food","Durables","Construction","Market","Risk-free"),
          pch=19,col=rgb(0,0,100,50,maxColorValue=255))

     

     

     
     

     


    注意到在这个例子中,我使用了一个新的变量labels。这个变量可在不改变原始数据列名的情况下对相关性图进行重新标注。
    Note that in this example, I add a new argument labels which relabels the pairs in intuitive names while does not rewrite the column names of raw data.

    此外,我们还可以投入pcaPP包中的plotcov()函数和ellipse包中的plotcorr()函数的怀抱。
    Also, we can turn to the plotcov() function in the pcaPP package and the plotcorr() function in the ellipse package.

    plotcov()函数高效简洁省事地同时给出了数据组内各组数据间的相关性数值和分布形状。
    The function plotcov() provides both the values and the shape of correlations of the dataset at the same time which is informative, concise and space-saving. 

    > # Plot pair plots of returns using the plotcov function from the pacPP package
    > library(pcaPP)
    > plotcov(cor(Capm/100),method1="correlation")

     

     

     
     

     


    偶尔人们会过度追求极简主义,所以我们得出了如下由plotcorr()函数画出的图。
    Sometimes people try so hard to make things concise, so they get an output as the function plotcorr() does.

    > # Plot pair plots of returns using the plotcorr function from the ellipse package
    > library(ellipse)
    > plotcorr(cor(Capm/100),num=T,diag=F,type="upper")

     

     

     
     

     


    作为一个无印良品风格控,在我不需要考虑-0.02691534和0,-0.09965299、-0.07210179、-0.07680539和-1,0.66885253、0.72093253和7 即 7 %,0.77307668、0.78501333和8即0.8之间的“巨大”差异时,我会毫不犹豫地表达我对plotcorr风格的喜爱。多数情况下,我们只需要用相关性分析图帮助我们判断线性相关性的存在趋势,因此0.77307668和0.78501333并没有鸿沟般的差别。同时,plotcorr()函数使人们通过设置type参数为“upper”、“lower” 和 “full”可以得到上三角、下三角或者完整的相关性矩阵。
    I am a Muji-style addict which means I will undoubtedly love the plotcorr-style if I do not have to care about the “big” difference between -0.02691534 and 0, -0.09965299, -0.07210179, -0.07680539 and -1, 0.66885253, 0.72093253 and 7 meaning 7 percent, 0.77307668, 0.78501333 and 8 meaning 0.8. In most time, we use pair plots simply to identify trends of linear relationships, thus 0.77307668 does not significantly differ from 0.78501333. Also, the plotcorr() allows people to have a upper-triangle, lower-triangle or full correlation matrix on their plots by equaling the type argument to “upper”, “lower” and “full”.

     

     

     

     

     

     

    又有些时候,geek们(我不在此列)认为他们需要做些高端的事情在智商平均水平的人类们(我在此列)前面显示其优越性,因此他们的plotcorr()函数还可以通过计算如下检验统计量给出样本相关系数的重要性。
    Sometimes, geeks (not me) think they have to do something advanced to distinguish them from people with average IQ (like me), so their plotcorr() function is capable of informing the significance of sample correlation coefficient by using the test statistic shown below.
     
     
     


    即如果相关性的值在其置信区间内,它们对应的椭圆会被涂成蓝色,否则在大于置信区间的上边界时会被涂成红色,小于下边界时被涂成黄色。因为Capm例子中的样本相关性相当靠谱,所以我们得到的全是蓝色椭圆。
    That is, if the values of correlation are inside their confidence intervals, their corresponding ellipses will be filled in blue, otherwise will be red if values are larger than the upper bound of the confidence intervals and yellow if smaller than the lower bound. Since the sample correlations are quite reliable in the Capm example, we get all blue ellipses.

    > # Plot pair plots of returns with test statistic
    > sig.r <- function(p,n)
    + {
    + df <- n-2
    + t.stat <- qt(p,df)
    + sig.r <- t.stat/sqrt(t.stat^2+df)
    + return(sig.r)
    + }
    > r.threshold <- sig.r(0.975,4) 
    > col <- ifelse(cor(Capm/100)>r.threshold,"red",ifelse(cor(Capm/100)< -r.threshold,"yellow","blue"))
    > plotcorr(cor(Capm/100),col=col,diag=F,cex.lab=0.75,type="upper",numbers=F)
     
     


    最后,因为plotcov()函数的设计初衷是在一幅图中完成两个估计的协方差矩阵的直接比较,我们接下来用它来比较Capm的样本相关性和稳健相关性。
    Finally, since the plotcov() function is initially designed to allow a direct comparison of two estimations of the covariance matrix in a plot , we use it to compare the sample correlations and robust correlations of the Capm dataset as follows.

    > # Compare sample correlation matrix with robust correlation matrix
    > library(robust)
    > cor.sample <- cor(Capm/100)
    > cor.robust <- covRob(Capm/100,cor=T)
    > plotcov(cov1=cor.sample,cov2=cor.robust,method1="sample",method2="robust")
     
     


    多数情况下,Capm的样本相关性接近于其稳健相关性。上三角区域里几乎重叠的椭圆也证明了我们可以对我们的相关性数值抱有信心。
    At most time, the values of sample correlation are close to that of robust correlation in the Capm example. The almost-overlapped ellipses in the upper triangle also prove that we can be confident with our values of correlations.

    最后,船长大人向我推荐了corrgram包的corrgram()函数。作为一个相关性图专业户,corrgram()函数可通过设置面板参数以多种形式给出数据组间的关系。
    Last but not the least, the corrgram() function in the corrgram package is introduced to me by Captain. Expertized in correlation plotting, the function demonstrates the relationship between data in various forms by setting the types of panels.

    corrgram(Capm/100,labels=c("Food","Durables","Construction","Market","Risk-free"),
             lower.panel=panel.shade,upper.panel=panel.pie,text.panel=panel.txt)
     
     


    在上图中,面板下半部分斜线的方向将相关性分成正相关和负相关两类。另外,蓝色代表正相关,粉色代表负相关。颜色越深,涂色面积越大,意味着相关性越强。
    In the above plot, the directions of slashes in the lower panel divide relationships into two categories, positive and negative. Also, blue denotes positive relationships while pink denotes negative relationships. The darker the colors and the bigger the painted areas are, the stronger the relationships between data.

    corrgram(Capm/100,labels=c("Food","Durables","Construction","Market","Risk-free"),
             lower.panel=panel.pts, upper.panel=panel.conf, diag.panel=panel.density)
     
     


    corrgram(Capm/100,labels=c("Food","Durables","Construction","Market","Risk-free"),
             panel=panel.ellipse, text.panel=panel.txt, diag.panel=panel.minmax)
     
     




    PS:10号一鼓作气写完的初稿 因为final拖到今天干掉最后一科才闲下来小加小改后传上来= = 在豆瓣混了多年 还是头一遭提笔写这种类型的文章 数理金融的魅力果然大呀 春假结束前争取再写一篇关于hypothesis testing的小文 还请大家多多指教!
     

     

     

     

    展开全文
  • 项目需求分析图

    千次阅读 2019-05-06 20:36:20
    微信点餐系统需求分析说明书 小组成员:章格宁,李文涛 学院:信息科学与工程学院 专业:计算机科学与技术 目录 文档概述 1.1、编写目的 1.2、定义 1.3、参考资料 项目概述 2.1、项目背景 2.2、项目目标 2.3、...
  • 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 ...
  • 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...
  • 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; ...
  • 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...
  • 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。
  • Origin | 图形动画制作

    千次阅读 2020-06-20 10:53:35
    文章目录前言一、双Y轴绘制二、图形动画制作三、多层动画制作 前言 全文动图演示Origin双Y轴的绘制、演示origin图形动画制作。 一、双Y轴绘制 首先,利用美国疫情数据(截至2020年4月28日),绘制确诊与死亡...
  • 语音信号之特性分析图(二)

    万次阅读 2014-07-04 20:47:26
    每个正弦分量都有自己的频率和幅值,这样,以频率值作横轴,以幅值作纵轴,把上述若干个正弦信号的幅值在其所对应的频率上,就做出了信号的幅频分布,也就是所谓频谱。 另外还有相频分布,但其意义不大。
  • 机房收费系统流程分析图

    千次阅读 热门讨论 2012-11-25 14:36:28
    整个机房收费系统包含四大模块和11个表,通过模块和数据库表的连接来完成系统的对应功能,表中保存用户记录,上机记录,消费记录。。。下面来具体的分析一下   四大模块如下:   1.一般用户 :  ①:...
  • 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...
  • Android属性动画深入分析:让你成为动画牛人

    万次阅读 多人点赞 2014-01-04 18:29:20
    前言 感谢你阅读本文,我坚信读完本文肯定不会让你失望的。...关于动画,我已经写了两篇博文,但是还是没有将动画描述全面,于是我写了本文,另外,我后面还会再写一篇属性动画的源码分析,通过这四篇博文,
  • 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-...
  • 用户画像分析相关整理

    万次阅读 2018-01-09 19:47:56
    用户画像一般用于研究当前客户需求以及挖掘潜在客户,用户画像需要结合具体的场景进行分析,不同场景下分析也是存在差异的,自己工作中接触的数据主要为目标客群的消费流水数据,画像分析的内容主要是对当前分析客群...
  • android 动画卡顿分析工具

    千次阅读 2014-09-02 09:40:46
    Android应用性能优化之分析工具[二]  Android应用性能优化之分析工具  上一次记录了解决过度绘制的过程,这一次,想先弄清个概念性的东西,就是如何判断顺不顺畅?  这东西其实最初我自己也觉得有点废话,用...
  • matplotlib(Python)柱状详解

    千次阅读 2017-02-24 16:27:43
    Python柱状详解(matplotlib)matplotlib 是 python 最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中。它的文档相当完备...
  • VisioER

    万次阅读 多人点赞 2016-03-15 13:28:58
    对于较复杂的数据库我们需要建立数据库模型,具体可分为两步:首先对数据库进行结构分析并使用树、表等描述数据,然后分析数据库的操作方法,规定数据库的增删改查操作,这两个步骤就构成了我们通常所说的数据库模型...
  • Linux下用火焰进行性能分析

    万次阅读 多人点赞 2017-12-24 17:12:48
    GitHub Linux下用火焰进行性能分析 LDD-LinuxDeviceDrivers/study/debug/tools/perf/flame_graph 本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可, 转载请注明出处, 谢谢合作因本人...
  • 【python】折线

    万次阅读 多人点赞 2019-08-12 16:52:07
    折线至少需要2个列表:横坐标列表和纵坐标列表,两个坐标的位置一一对应。 from pylab import * mpl.rcParams['font.sans-serif'] = ['SimHei'] x_axis_data = [1, 2, 3, 4, 5] y_axis_data = [1, 2, 3, 4, 5] ...
  • 数据流——从软考真题中学数据流DFD

    千次阅读 多人点赞 2019-03-28 16:27:45
    现采用结构化方法对这个系统进行分析与设计,得到如1-1所示的顶层数据流1-2所示的0层数据流。    1-1  顶层数据流        1-2  0层数据流   【问题1】(4分)  使用说明中...
  • 细思极恐——R语言forestplot包meta分析群体药动学常用森林 今天,笔者想分享一下最近科研作图的经历,最主要的就是用于群体药动学模型建立的森林,其百度百科定义为: 森林是以统计指标和统计分析方法为...
  • Matplotlib各种

    万次阅读 多人点赞 2018-06-28 13:24:54
    matplotlib(条形) 看本文前,请看matlplotlib使用教程https://blog.csdn.net/kun1280437633/article/details/80370622,有基础请忽略 一、简单垂直条形 案例一:直辖市GDP水平 中国的四个直辖市分别为北京...
  • 数值分析Matlab绘制三维数据曲面

    千次阅读 2017-12-14 09:57:22
    一个细节是matlab中的 ./ 如果是单数,是一般的数学除法,如果是多维矩阵,则是多维矩阵对应元素的除法。matlab代码:xi=-20:0.3:20; yi=-10:0.3:10; [x,y]=meshgrid(xi,yi); z=sin(sqrt(x.^2+y.^2))./sqrt(x.^2+y....
  • python之seaborn图库学习绘制常用的
  • 根据Verilog代码电路

    千次阅读 2020-09-23 12:50:18
    FPGA的设计本质是硬件设计,而Verilog是用来描述电路的,所以在学习FPGA的过程中,我们要学会建立电路和Verilog的对应关系,学会看到电路,就能写出相应的Verilog代码;看到Verilog代码,就能出相应的电路。 ...
  • UML分析的绘制

    万次阅读 2017-04-23 16:54:31
    首先明确分析类是基于我们之前的用况分析之上的 类图分为三个层次: 1.对象层 (确定有哪些类) 2.特征层 (确定每个类的具体属性和操作) 3.关系层(确定这些类之间的关系) 我们对类图的绘制就是要...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 157,302
精华内容 62,920
热门标签
关键字:

对应分析图怎么画