精华内容
下载资源
问答
  • SPSS的双变量相关分析

    千次阅读 2021-12-22 11:50:56
    由于最近做了一个调查问卷的数据分析,在这里主要做一些笔记,方便自己以后来看 首先这次是一个关于大学生网络成瘾的现状调查。在此主要是针对于双变量...在双变量分析对话框,选择要测量的两个变量,选择pearson...

    由于最近做了一个调查问卷的数据分析,在这里主要做一些笔记,方便自己以后来看

    首先这次是一个关于大学生网络成瘾的现状调查。在此主要是针对于双变量相关性分析和进行相关性分析的做法

    相关性分析主要是测量两个变量之间关系的密切程度

    两个参数分别为:有详细的计划对游戏控制的时间程度和上网时间的有效控制程度,采用双变量相关分析方法

    这里是使用整个调查问卷的数据进行测量

    SPSS:单击菜单的分析 → 相关 → 双变量 命令,打开对话框

     

    在双变量分析对话框,选择要测量的两个变量,选择pearson相关系数,显著性检验:双尾检验 这一般是默认选项

     

    在选项中,点击平均值和标准差。会显示每个变量的均值和标准差

    成对排除个案:仅仅剔除当前分析的两个变量的值是缺失值的个案,而成列排除个案就会剔除缺失值的所有个案

     

     

    相关系数为0.386,呈正相关,sig值即显著性值为0.000,小于0.01,说明两个变量数据在0.01水平中相关性显著。表明有详细计划控制游戏时间的会加强对上网时间的有效控制。 

     

     

     

    展开全文
  • 那么我们如何使用SPSS对数据进行双变量相关分析? 在这次教程中,我们给大家演示IBM SPSS Statistics如何对数据进行双变量相关分析的教程。下面我们使用IBM SPSS Statistics 28(win10)详细演示一遍吧。 相关关系...

    相关分析就是两个或两个以上的变量之间是否存在某种关系,比如空气中的湿度和降雨量、人的身高和体重等是否有相关关系。那么我们如何使用SPSS对数据进行双变量相关分析?

    在这次教程中,我们给大家演示IBM SPSS Statistics如何对数据进行双变量相关分析的教程。下面我们使用IBM SPSS Statistics 28(win10)详细演示一遍吧。

    1. 相关关系

    因为相关关系的程度不同,相关关系还可以分为完全相关、完全不相关、不完全相关。比如人的年龄和性别就是完全不相关变量、两者相对独立的。湿度和降雨量就是完全相关关系。

    还有按照相关的方向,我们可以分为正相关和负相关,正相关是指自变量增长,因变量也随着增长,比如在时间一定的情况下,汽车的速度越快,跑的路程越远,说明速度和路程成正相关关系,负相关则相反。

    1. 相关分析

    我们这里从调查数据中分析“年级”和“知识目标”,如图1所示。分析两者存在哪种相关关系,是正相关还是负相关。

    图1:样本数据

    图1:样本数据

    首先在SPSS的数据编辑器中选择“分析”菜单,点击“相关—双变量”选项,如图2所示。

    图2:双变量相关分析选项

    图2:双变量相关分析选项

    在“双变量相关性”弹窗中,将左侧栏的“年龄”和“知识目标”拖动到变量框中,然后点击“选项”,如图3所示。

    图3:双变量相关性

    图3:双变量相关性

    在“选项”弹窗中,首先在统计中勾选“均值和标准差”,接着缺失值默认点击继续,然后回到上一窗口,相关系数勾选“皮尔逊”,显著性检验勾选“双尾”,最后点击“确定”,如图4所示。

    图4:选项、相关系数和显著性检验设置

    图4:选项、相关系数和显著性检验设置

    在输出文档中,我们直接看“相关性”表格,首先看显著性系数也就是P值,这里的P值小于0.05,说明是两个变量相关性显著,最后看到皮尔逊系数大于0,说明是正相关关系。如图5所示。

     

    好了,以上就是IBM SPSS Statistics如何对数据进行双变量相关分析的详细教程,如还需了解学习更多有关IBM SPSS Statistics的相关知识,敬请访问IBM SPSS Statistics中文网。

    展开全文
  • 什么是变量分析? 单变量其实就是我们通常接触到的数据集中的一列数据。 单变量分析是数据分析中最简单的形式,其中被分析的数据只包含一个变量。因为它是一个单一的变量,它不处理原因或关系 单变量分析的主要...

    一、单变量分析绘图

    什么是单变量分析?

    单变量其实就是我们通常接触到的数据集中的一列数据。

    单变量分析是数据分析中最简单的形式,其中被分析的数据只包含一个变量。因为它是一个单一的变量,它不处理原因或关系

    单变量分析的主要目的是描述数据并找出其中存在的模式,也就是“用最简单的概括形式反映出大量数据资料所容纳的基本信息”。

    本节我们研究的是连续数值型数据的分布。

    那么什么样的数据是连续数值型数据呢?什么样的数据是离散型数据呢?

    • 连续型数据一般应用在计算机领域,在数据挖掘、数据分类时会遇到此类数据,因其数据不是单独的整十整百的数字,包含若干位小数且取值密集,故称为连续型数据,例如,身高、体重、年龄等都是连续变量。
    • 由记录不同类别个体的数目所得到的数据,称为离散型数据。例如,某一类别动物的头数,具有某一特征的种子粒数,血液中不同的细胞数目等。所有这些数据全部都是整数,而且不能再细分,也不能进一步提高他们的精确度

    我们要如何使用seaborn绘制单变量分布呢?

    首先,使用Numpy模块从标准整体分布中随机抽取1000个数,作为我们的连续数值型数据

    data = np.random.normal(size=1000)

    random是Numpy中一个随机模块,在random模块中的normal方法表示从正态分布中随机产生size数值

    import numpy as np
    
    # 从正态分布中随机抽取数据
    data = np.random.normal(size=1000)
    print(data)
    
    [-8.34177638e-01 -4.81175938e-01 -1.25574036e+00 -2.76567172e-01
      1.12767332e+00  3.10682395e-01  7.80228852e-01  6.75012626e-01
      7.73093289e-01 -8.19100385e-01  6.23650934e-01 -4.63975859e-01
      8.05497705e-01  3.96842870e-01  7.08116405e-01  2.33275485e-01
      1.64293668e-02 -8.21838448e-01 -7.55255648e-02  5.80824933e-01
      4.19186101e-01 -1.76393595e-01  2.50923927e-01  2.38633140e+00
      7.01521969e-02 -3.30433240e-01  1.87952220e-01  3.37810590e-01
      1.91988625e-01  2.01966888e+00 -4.86049790e-01  1.19188356e+00
      2.16887486e+00  9.15513599e-01 -2.48352719e+00  1.55961878e-01
      1.31272700e+00 -1.62299621e+00  7.26296821e-01  1.37704098e+00
      6.07926692e-02 -1.19652676e+00  3.76808682e-01  1.85074360e+00
     -1.34054927e+00 -1.13845379e+00  5.20608532e-01  1.27837691e-01
      1.77219926e+00 -2.55291654e-01  2.27639422e+00  1.27685372e+00
      8.22275855e-01 -1.20431897e-01  1.81672628e-01 -1.57782301e-01
      3.85544243e-01 -9.69654269e-01  3.44028022e-01  4.95341055e-01
      2.79191801e-01  3.23729447e-01 -3.95386165e-01  4.66194790e-01
     -1.33714386e-01  3.06156392e-01 -7.70696149e-01  8.19973046e-01
     -1.00993542e+00  9.39025145e-01  7.62757615e-01  2.87180717e-01
      2.25398644e-01 -1.59500193e+00 -1.10465930e-01  8.32425227e-01
     -7.18909399e-01 -1.42882176e+00 -1.05234747e+00  2.62959536e-01
      9.51529808e-01 -2.74716538e-01  8.60910473e-01 -2.19124055e-01
     -2.10194292e+00 -3.77335381e-01 -7.51085854e-01 -8.81017955e-01
      6.74371145e-01  5.98639252e-01  6.10331559e-01  7.14755842e-01
     -5.11928294e-01 -2.30099728e-01  1.15677504e+00 -1.06007336e+00
     -1.01522820e+00  1.71954293e-01 -8.12623339e-01 -7.30640934e-01
     -1.64118008e+00 -6.49698686e-01 -1.70401886e-01 -1.53276763e-01
     -4.22774099e-01 -2.24852915e-01  3.37953391e-01  4.07289668e-01
     -4.61180680e-01  2.20948150e-01 -1.52689033e+00  1.04920136e+00
      1.96450476e+00 -9.05873696e-01  1.61441603e+00  1.28356372e+00
     -6.83415920e-01 -6.45630431e-01  8.99725304e-01  3.05129744e+00
      2.19316668e-01  1.84002833e-01 -2.14166745e+00 -6.27041049e-01
      1.47190685e+00 -7.39355868e-01  1.46162173e-01 -1.01737745e+00
      1.00042232e+00 -2.01625500e-02  6.24353365e-01 -7.02306623e-02
      6.04308724e-01  1.50763805e-01 -6.95982136e-01 -1.15902154e+00
      7.03290461e-01 -1.14620607e+00  6.67298368e-02  2.04423004e-01
      1.20562304e+00  5.50214883e-02  9.96904776e-02 -1.35437182e+00
      3.16389099e-01 -4.39182774e-01  3.55920339e-01 -1.35057367e+00
      1.48302682e+00 -8.69203659e-01 -6.58874553e-01 -4.23855028e-01
      1.50421932e-01 -5.66152593e-01  3.45948614e-01 -7.47523838e-01
     -1.19623426e+00 -3.98605965e-01  2.87306954e-01 -1.01637105e+00
     -2.10535665e-01 -1.72303472e+00 -9.64750506e-02 -2.24236589e+00
     -9.10371270e-01 -8.41739062e-01  1.09801149e+00 -9.42349346e-01
      7.23165681e-01  7.70626473e-01  3.05736539e-01 -1.71333373e+00
      1.92955450e+00  4.65400970e-02 -4.34492447e-02  2.31771452e-01
      8.37837980e-01  1.08126421e+00  1.85025167e+00 -1.16840234e+00
      9.68279908e-01 -2.62325281e-01 -1.53238798e+00  4.37177157e-01
      5.63332241e-01 -3.72169682e-01  8.89878412e-01  8.06846027e-01
     -3.26140782e-01 -1.29885394e+00  1.50610409e+00 -3.91506360e-01
      2.64704947e-01  2.06004029e-01  6.29040471e-01  5.25936357e-01
     -3.62670642e-01 -4.45307357e-02  1.73805342e+00 -1.51459412e+00
     -6.23574644e-01  8.36734046e-01 -3.97223812e-01  2.04096634e-01
      3.82344039e-01 -5.38329816e-01 -6.64114582e-01 -4.36281362e-01
     -2.31595793e-01 -1.47293651e-01 -3.68346675e-01  1.13043248e+00
     -5.42369689e-02 -4.59069394e-01 -1.19212085e-01 -1.53096134e+00
     -2.80671335e-01 -2.14696939e+00  6.82354349e-01  6.95410918e-01
     -1.08724145e+00  1.00653353e+00  1.99529922e+00  1.35160910e+00
      2.23453409e+00  2.01207871e+00 -3.45560502e-01 -1.12993470e+00
     -1.57660633e+00 -1.20479402e-01 -1.38121969e+00 -5.36648316e-01
     -7.29825090e-01  2.42009456e+00  1.47857120e-01 -7.00427315e-01
     -1.23994539e+00 -2.06448490e-01 -1.41790132e-02  5.83170802e-01
     -1.51868606e-01  1.50646153e+00  1.96576757e-01  2.75617559e-01
     -7.95265036e-01 -2.10836801e-01 -5.69139222e-01 -1.29864917e+00
      5.63889982e-01 -1.55530862e+00  1.16185899e+00  1.91957131e+00
      5.52717042e-01 -3.13967811e+00 -9.12944800e-01  3.37661706e-01
     -6.50782425e-02  9.08822283e-01 -1.28407130e+00  1.66829460e+00
     -9.33122091e-01 -1.53480413e-01 -1.09607248e+00  4.94051739e-01
      1.99716421e+00  2.52397481e-01 -8.04190203e-02 -7.10965720e-01
     -5.31788405e-01  7.05460558e-01 -1.87739064e-01 -2.73687078e-03
      9.25871546e-01  1.16163444e+00  2.71796227e-01  2.09531664e-01
     -6.97563354e-01 -1.66336657e-01 -1.72739049e+00  6.29105616e-01
     -6.04239180e-01 -5.07367272e-01  8.95530668e-02  6.70795718e-01
      1.31365215e-01 -1.20064174e+00  5.20231020e-01  9.36537267e-01
     -6.20979550e-01  6.14541161e-01 -3.04013278e-01  4.29336256e-01
     -4.73331586e-01  6.36143583e-01  1.31508333e+00 -1.03617066e+00
      2.78407984e-01  1.39514876e+00  2.00580089e-01 -3.16022059e-01
     -6.36248396e-01 -3.34949213e-01  1.32033106e+00  6.50826742e-01
      5.07976509e-01 -1.20533645e+00 -1.66621758e-01 -1.59461464e-01
      1.06731821e+00  1.05842125e+00 -1.33263554e+00  3.86381352e-01
      2.60219977e-01 -7.12464431e-01  1.18842755e+00  7.48487633e-01
     -1.25607812e-01 -3.07932348e-01 -1.91174644e-02  5.35112221e-01
     -9.41080295e-01  2.02867179e-03  7.46097449e-01 -1.43011900e+00
     -4.59379731e-01  3.71134838e-01  1.21520575e+00  1.59019623e+00
     -1.11857546e-01  1.59739705e+00  2.55413891e+00 -1.25147812e-01
     -6.04724804e-01 -6.96143134e-02  3.48543388e-01 -1.41935629e-01
     -1.78675601e+00 -1.34798677e-01  1.37510144e-01 -2.39196070e-01
      9.94224828e-01 -3.45463996e-01  7.51274078e-01  1.13502040e+00
      2.55126346e-01  2.10996865e+00  7.17082544e-01  7.11734850e-01
     -9.16859807e-01  2.44011053e-01 -1.19199863e+00 -1.14214928e-01
      4.77801219e-01 -1.02765923e+00  3.32053997e+00  8.55415155e-01
     -8.89309190e-01  1.21371929e-01 -1.70169235e+00  7.14161089e-01
     -1.94848200e+00  9.18053536e-01  1.06452917e+00 -2.84051701e-01
     -1.69398111e-01  1.52642904e+00  9.97260703e-02  1.68755040e-02
      2.33981992e-02  6.21840987e-02  9.67863268e-01  1.96911262e+00
     -1.11623638e-01  1.80186406e+00  2.88796457e-01 -3.10158913e-01
     -2.26802967e-01  6.83694320e-01  1.55915002e+00  1.02589790e+00
      7.55330020e-01  2.38602920e+00 -3.45104266e-01 -4.87142197e-01
      7.01321024e-01  1.34883283e+00  1.27381088e-01  3.13531268e-01
     -5.13683489e-01  3.61069123e-01 -1.55837906e+00 -1.01359069e+00
     -5.07144614e-01  6.16774319e-01 -4.30018462e-01  7.05357069e-01
      1.78092198e+00  3.13208478e-01 -2.16426368e+00 -1.64000806e-01
     -1.90645658e+00  1.79643622e+00  1.17069955e+00  4.55892115e-01
     -4.89426360e-02 -1.01723438e+00  6.82734615e-01  6.00445291e-01
      5.91388344e-01 -1.39387091e+00  7.15186207e-01 -3.50482411e-01
     -3.72747426e-01  6.75544119e-01 -5.99036396e-01 -2.30125279e+00
      4.85629591e-01 -7.95903845e-01 -1.19292308e+00  7.46100710e-01
      3.13336747e-01  8.42772740e-01 -5.62002372e-01 -1.42226340e+00
     -9.96759825e-01 -6.07673432e-01  1.42221349e-01  8.75432153e-01
     -4.25759229e-01  1.48611907e+00 -1.71862047e+00  3.02389566e-01
      4.90767818e-01 -7.89522093e-02 -2.98526432e-01 -1.63397946e+00
      1.84371852e-01 -1.56833486e+00  7.86552862e-01 -1.04578615e+00
      2.70608431e-01  1.56212423e+00 -1.11054520e+00 -6.13201224e-02
     -8.24823781e-01  9.07591291e-01 -1.36766365e+00  1.82555750e-01
      5.56388795e-01 -2.80099904e-01 -6.26520917e-01 -2.51760017e-02
      4.88280486e-01  2.37475852e-01  6.53458146e-01  2.46310708e+00
     -1.79044599e+00 -4.72638332e-01 -6.15528290e-01  1.86246191e+00
     -1.59891317e+00  7.69705571e-01  6.50808382e-02 -9.94600066e-01
      1.72543310e+00  1.13244653e-02  2.60693488e-01  1.37576679e+00
      3.59571783e-02 -1.98318367e+00 -3.33319751e-01 -1.96193539e+00
      1.41199363e+00 -1.55585908e+00  5.48388375e-01 -1.43418694e+00
      1.16586502e+00 -1.28120989e-01  3.42364063e-01  1.23059377e+00
      3.39489823e-01 -3.77487668e-02 -1.10763078e+00 -9.53160232e-01
     -4.92898348e-01 -5.97177186e-02 -8.79926329e-02  1.00361419e+00
     -9.54775661e-01 -1.66220354e+00 -1.07170645e-01  1.25648023e+00
      1.22744640e+00  5.61489861e-01 -6.78217439e-01 -3.65594834e-01
      9.26665703e-01  5.97124300e-01  1.74319331e-01 -5.37321014e-01
     -8.61094451e-01  1.31541164e+00 -3.06197999e-01  3.51249960e-01
     -1.78326326e+00  4.00571794e-01 -1.31066526e-01  4.34368066e-01
      1.85145803e+00  1.70503890e+00  3.06242189e-01  1.79638274e+00
      1.11071256e+00  1.20126351e+00  1.28650367e+00 -1.87598858e+00
      5.86659588e-01 -1.17819013e-01 -3.60483276e-01 -8.61117033e-01
     -1.52289173e+00  7.27701783e-01  1.72028336e-01  1.73979112e-01
      1.17774035e+00  1.82491269e+00  2.45478324e+00 -1.02822171e+00
      5.34319835e-01  5.85494983e-01 -6.52038453e-01  1.69221221e+00
     -2.25602912e-01 -7.83268337e-01  8.08819187e-01  3.37301513e-01
     -3.61637081e-01 -1.57412965e+00  1.89114132e+00  1.07852899e+00
      9.83398961e-01  1.51117162e+00  2.67719491e-01  9.70686730e-03
      2.91869473e-01  1.72729591e+00  1.56814876e+00  4.33932055e-01
      2.09768450e-01  8.98908119e-01  1.16546487e-01 -1.01256056e+00
     -8.69788935e-02  6.32182730e-01  3.00688907e-01 -9.14702347e-01
      6.93742438e-01 -5.98483170e-01 -2.21836406e+00  8.32735194e-01
      3.70146390e-01 -4.17765138e-01  9.87252319e-01 -3.84139536e-01
     -8.44172944e-01 -3.98452615e-01  2.19218233e+00  1.23958014e+00
     -8.83418323e-01  2.69798646e-01 -1.68535718e-01  3.97281852e-01
     -1.31397382e+00  6.30342103e-02  3.07848776e-01 -1.58950390e-01
      1.24292773e-01 -1.35067388e+00  2.52455896e-01 -1.93755398e+00
      8.79244877e-02 -1.59022505e+00 -5.72813771e-01  1.09222053e+00
     -1.30552905e+00  3.19641912e-01 -8.72035940e-01  5.74458214e-01
     -1.34866354e+00  8.93840263e-01  3.73908598e-01  1.89302718e+00
     -2.02719553e+00 -4.43039000e-01 -7.30024756e-01  6.63662568e-01
      9.30800931e-01  1.35351122e+00  1.04137619e+00 -1.98123366e-01
     -1.88488081e+00 -2.37276029e-01 -4.15003476e-01  4.98320281e-01
     -9.75608363e-02 -5.25551651e-01  9.14766598e-01 -2.00456785e-01
     -4.57570756e-01  6.76510759e-01 -1.04508600e+00 -2.51121520e-01
     -8.57942233e-01 -1.08330697e-01 -5.71629285e-01  1.07745297e-01
      7.43098270e-01 -7.49244175e-01  1.15560169e+00  9.18636580e-01
     -1.60960411e+00 -2.41094194e-01 -2.02259704e-01  4.62859074e-01
      8.67136474e-02 -4.32569298e-01 -2.42884380e+00 -5.55067740e-01
     -5.41844537e-01  6.72445632e-01  6.24693565e-02  1.12656325e+00
      7.43235903e-01 -6.25515321e-01  6.59583619e-01  8.04508753e-01
      1.64155458e+00  2.18365220e-01  6.13444112e-01  7.61629604e-02
     -5.20283660e-01  7.18630109e-01  1.47876797e+00 -1.07674070e+00
     -1.25332403e+00 -1.88819151e+00 -1.42107808e+00  2.16065780e-01
      1.38950251e+00  2.13957783e+00 -9.28163923e-01 -3.02130352e-01
      6.00203262e-01 -3.03590140e-01  2.25467321e-01 -2.17046411e-01
      7.75271485e-02  3.79930568e-01 -4.24830464e-01 -4.88015681e-01
     -1.08436563e+00 -3.81260442e-01 -1.15930690e-01 -2.51886837e-02
     -5.61110455e-02 -2.22139800e-01  1.08415662e+00  1.96595561e+00
     -1.02573462e+00 -1.51617947e+00 -8.21525192e-01 -3.05396736e-01
      1.92525220e+00 -7.03732630e-01  5.92592747e-01 -4.85675945e-01
     -3.66014112e-01 -1.00376909e-01 -1.96285366e+00  1.15409798e-01
     -1.31837368e+00  2.55083944e-02 -8.63930362e-01 -1.19161238e+00
     -5.13972790e-01  4.02857585e-01 -9.92799260e-02  2.59828164e-01
     -2.88311288e-01 -9.74447294e-01 -9.68427474e-01 -2.09247688e-01
      3.47097014e-01  2.35311878e-01 -4.07639643e-01 -4.74217680e-01
     -8.92363994e-01 -4.15977707e-01  3.51998022e-01 -1.93512090e-01
     -7.75771322e-01  5.02901362e-01  2.37632237e-01 -3.22083193e-01
     -3.67697099e-01  9.74388131e-01  1.16484833e-01 -6.32217397e-01
     -3.22448019e-01  4.70466047e-02 -1.05907881e+00  1.61175479e-01
      7.05626256e-01  5.97576654e-01  5.47004361e-01 -1.74200619e+00
     -4.81447354e-01  1.00271845e+00 -1.05368889e+00  4.24247783e-01
      6.28071719e-01 -1.63332763e+00  2.01183749e+00 -6.05305215e-01
     -1.27889725e-01  2.95665771e-01 -1.53135450e+00 -9.66259818e-01
     -1.63886341e-01 -1.53164023e+00 -2.18356740e-01  8.54419972e-01
      1.48361188e-01  1.72585487e+00 -5.27371681e-01  3.05216013e-01
     -3.50729530e-01 -5.09209768e-01  6.84042498e-01  2.79381170e-01
      2.73126640e-01 -4.89323042e-01 -5.46968770e-02 -2.80235294e+00
      3.58506775e-01  1.86227146e-01 -3.87411883e-03 -1.89347778e+00
     -6.39900991e-03 -8.04219358e-01  1.02872091e+00 -1.25404276e+00
     -6.42310384e-01 -6.76987349e-01  2.30248304e-01  3.01692157e-01
      3.87026534e-01 -2.02786906e+00  3.34390863e-01  1.49222868e+00
      9.94764942e-01 -7.78287435e-01 -4.46830887e-01 -6.79227031e-01
     -1.19079383e+00  5.04418732e-01  6.40563925e-01  1.67564446e+00
      1.98204230e+00 -3.41999970e-01 -2.10368270e-01  4.49395504e-01
      8.85335476e-02  1.66890737e+00  1.25160401e+00  9.31210990e-01
     -2.99761563e-01 -4.47419393e-01  1.55786107e-01  9.99764363e-01
      9.78981062e-01  8.73976119e-03  7.89913268e-01  3.46447770e+00
      1.26165964e+00 -3.06954783e-01 -1.25571979e+00 -6.05367909e-01
     -1.50225255e+00  8.99166429e-01  7.95060888e-01  1.55557134e-01
     -2.62452990e-01  4.80130689e-01 -1.78499012e+00  7.62874463e-01
     -1.67184057e-01  4.46760020e-02  3.95930666e-01 -1.13999802e+00
     -1.22553879e+00  5.17167555e-01  1.02540552e+00 -3.17533634e-01
      8.57944610e-01  1.47324055e+00  6.25886931e-01 -2.76671941e-01
     -2.60586573e+00  5.47848612e-01  6.65940434e-01  1.18949676e+00
     -5.76085303e-01  4.41243809e-01  6.11088847e-01  8.29591883e-01
     -1.17677490e+00 -6.39665287e-01 -8.70414258e-01  5.88896622e-02
     -8.91277699e-01  1.84828048e-01 -1.60955925e+00 -6.52934597e-01
      2.67234818e-01 -9.27336403e-01 -1.31058811e+00  2.74131565e-01
      2.57174783e+00 -1.33577797e+00 -2.28501349e-01  4.69854073e-01
      2.48341759e-01 -2.63334741e+00  3.54525270e-02  9.73856683e-01
      5.87450521e-01 -6.88937843e-01 -2.96148475e-01 -1.27605369e+00
      1.12605900e+00 -1.70296144e+00  2.46620951e-01 -8.82609909e-01
     -1.72835168e+00 -4.48353681e-01 -1.80223512e+00  5.78537986e-01
     -1.24775341e+00 -7.24136777e-01 -1.71594658e+00  5.75603720e-01
     -6.28188413e-01  1.16685609e+00  1.61544331e+00  1.57570240e+00
      3.02807313e-01 -6.04265869e-01  1.28303181e-01  3.75456005e-01
     -2.68805640e-02 -2.86129396e-01  2.67215684e-02  5.53159733e-01
      1.24779167e+00  1.80608024e-02 -5.19008893e-01  1.27324122e+00
      4.18039069e-01  3.75715587e-01 -1.21798274e+00  1.13191754e-01
     -5.52929642e-01  1.78753769e-01  9.95827144e-02 -1.58417573e+00
     -1.05241562e+00 -2.94366109e-03 -9.99725284e-01  2.90350368e-02
     -1.19049344e+00 -3.92403900e-01  1.80007006e+00  2.13904406e+00
      4.03804317e-01  9.56916604e-01 -8.42806618e-01 -7.52427393e-01
     -9.71633128e-01  9.22618974e-02 -1.50412561e+00  3.19007319e-03
     -4.78538398e-01 -2.89051731e-01  9.99864140e-01 -1.83456560e+00
      2.08693594e-01 -1.06135518e-01 -3.79713791e-01  1.51919302e+00
     -9.59161527e-02 -7.50491315e-01  6.98412258e-01  1.54711552e+00
     -2.51378069e-01  8.60391383e-01 -3.97998357e-02  5.36866441e-01
     -1.72308215e+00 -8.86405638e-01 -2.65565290e+00  3.08397923e-01
      2.96129639e-02  1.26257655e-01 -4.91054102e-01 -4.95509485e-01
      1.97077493e-01 -1.29921285e+00  6.58731433e-02 -1.93565383e+00
     -4.89318773e-01 -1.69737929e-01 -1.34828187e+00 -1.84593057e-01
     -1.24107727e-01  3.04006441e-01  1.43290485e+00  1.38595737e+00
      1.62269324e-01 -1.92731061e-01  2.80289219e-01  9.89963033e-01
      8.61966507e-01  8.91970317e-01  4.50924536e-01 -1.91773330e+00
      1.48664730e+00  5.21305848e-02 -2.54053479e-01 -3.32532519e-01
     -5.42074081e-01 -5.07416384e-01 -3.45418230e-01  9.30672742e-01
     -4.12764550e-02  8.81344217e-01 -9.52927144e-01  4.60114355e-01
      6.08995366e-01 -4.95185432e-01  4.77235987e-01  6.65728057e-01
     -1.17426320e+00 -6.01778474e-01 -3.33167342e-01 -1.10351319e+00
      1.35795813e+00 -1.59964914e-01  7.65954244e-01  1.49965783e+00
     -9.41108210e-01 -7.47247022e-01  1.44563551e-02 -3.36867552e-01
     -6.16398619e-01 -3.19034156e-01 -8.40010668e-01 -2.00056185e-01
      1.04040123e+00 -6.57893428e-01  5.38798097e-02 -8.27375821e-01
      1.37090368e+00  7.22089936e-02 -5.62757422e-01 -6.66362388e-02
      9.20173971e-02 -5.08775316e-01  2.13849846e+00  7.41573506e-01
     -4.59214916e-01 -1.20438084e+00 -9.77394043e-01  2.26355164e-01
     -1.95463365e+00 -3.98405561e-01  7.28084469e-01 -7.34710839e-01
     -1.31187407e-01 -6.17300605e-01  1.04342418e+00 -4.97310213e-01
     -4.23126777e-01 -1.45327294e+00  3.44283813e-01 -1.65593641e+00
      4.84726634e-01  9.24397880e-01  6.90162856e-01  3.53596550e-01]
    

    size=1000,表示随机产生1000个数,它们组成的数据是一组连续型的数值型数据。

    在seabonr中,最常用额观察单变量分布的行数distplot(),默认地,这个函数会绘制一个直方图,丙拟合一个核密度估计。

    sns.displot()的使用方法如下:

    sns.distplot(data,bins,hist=True,ked=True)

    • data记录绘图所用的数据
    • bins在绘制直方图时,用于设置分组的个数,默认值时,会根据数据的情况自动分为n个组,若是想要指定分组的个数,可以设置该参数,然后我们也可以增加其数量,来看到更为详细的信息
    • hist和kde参数用于调节是否显示直方图和核密度估计图,默认hist、kde均True
    %matplotlib inline 
    import numpy as np
    import seaborn as sns
    import matplotlib.pyplot as plt
    
    # 从标准正态分布中随机抽取1000个数
    data = np.random.normal(size=1000)
    sns.set(style='whitegrid')
    sns.distplot(data,hist=True,kde=True)
    
    plt.show()
    

    在上面的结果中,横轴表示数据点的取值,纵轴表示概率密度值。使用直方图描述了数据的分布:将数据分成若干个组,用柱形的高度记录每组中数据所占比率。

    在这个图中大家还会发现比我们之前学习的柱状图多一个曲线。

    这条曲线叫做概率密度曲线。就是采用平滑的峰值函数来拟合观察到的数据点,从而对真实的概率分布进行模拟。

    从上图中可以看出,在数字0周围,概率密度值是最大的,但是,随着向两侧的逐渐扩展,概率密度逐渐减小。这样的分布也是一个标准正态分布。

    概率密度曲线的原理比较简单,在我们知道某一事物的概率分布的情况下,如果某一个数在观察中出现了,我们可以认为这个数的概率密度很大,和这个数比较近的数的概率密度也会比较大,而那些离这个数远的数的概率密度会比较小。

    如果我们只想要显示概率密度曲线,不想显示柱状图,我们也可以使用sns.kdeplot()函数绘制数据的概率密度曲线图。

    sns.kdeplot(data,shade=False)

    • shade参数用于设置图形下方的部分是否设置影响,默认值为False,表示不绘制阴影。
    %matplotlib inline
    import numpy as np
    import seaborn as sns
    import matplotlib.pyplot as plt
    
    data = np.random.normal(size=1000)
    sns.set(style='darkgrid')
    sns.kdeplot(data,shade=True)
    plt.show()
    

    在这里插入图片描述

    以上就是连续数值型单变量数据常见的可视化方法,我们常会使用到直方图、核密度图来描述数据的分布。

    在Seaborn中也集成了这两种图像,使用sns.distplot()函数可以将它们绘制在同一张图中。

    二、绘制双变量联合分布图

    有时我们不仅需要查看单个变量的分布,同时也需要查看变量之间的联系,往往还需要进行预测等。这时就需要用到双变量联合分布了。

    在Seaborn中绘制连续数值型双变量我们使用sns.jointplot():
    seaborn.jointplot(x,y,data=None,kind='scatter')

    • x,y:分别记录x轴与y轴的数据名称
    • data:数据集,data的数据类型为DataFrame
    • kind:用于设置图形的类型,可选的类型有:scatter、reg、resid、kde、hex,分别表示散点图、回归图、残差图、核密度图和蜂巢图

    如果我们希望看一看数据中两个变量在二维平面上之间的关系时,则可以使用散点图,因为散点图可以帮助我们很容易地发现一些数据的分布规律。

    现在我们同样使用np.random.normal()函数创建一个含有两列数据的DataFrame,然后根据该数据绘制双变量散点图。

    %matplotlib inline
    import matplotlib.pyplot as plt
    import seaborn as sns
    import pandas as pd
    import numpy as np
    
    # 创建dataframe
    df = pd.DataFrame({'x':np.random.normal(size=500),
                      'y':np.random.normal(size=500)})
    print(df)
    
                x         y
    0    0.311719 -0.167809
    1   -0.708002  1.158129
    2   -0.425021 -0.863146
    3    0.230824 -0.374173
    4   -1.270915  0.791254
    ..        ...       ...
    495  0.150783  1.951766
    496 -0.440655  0.773461
    497 -0.022790 -0.461389
    498  0.600857 -0.416097
    499  0.373607  0.588421
    
    [500 rows x 2 columns]
    
    # 绘制双变量散点图
    sns.jointplot(x='x',y='y',data=df,kind='reg')
    plt.show()
    

    根据结果我们发现,sns.jointplot()函数可以显示两个变量之间的联合关系以及每个单变量的分布。

    我们把函数中的kind参数设置为’reg’就可以做一些简单的线性模型拟合。

    并且在坐标系的上方和左侧分别绘制了两个变量的直方图和核密度图。

    上面我们根据数据绘制了联合散点图,但是你会发现两个数据并没有明确的线性关系,并且散点图有一个问题,就是相同的点会覆盖在一起,导致我们看不出来浓密和稀疏。

    以我们可以使用蜂巢图查看一下数据的分布情况。

    蜂巢图的绘制还是使用seaborn.jointplot()函数,只是将kind参数更该为hex即可。

    # 绘制双变量蜂巢图
    sns.jointplot(x='x',y='y',data=df,kind='hex')
    plt.show()
    

    在这里插入图片描述

    蜂巢图中每个六边形表示一个范围,用颜色表示这个范围内的数据量,颜色越白的地方数据量越小,颜色越深的地方表示数据量越大。

    当数据比较大的时候使用该种方式,更容易找出数据的分布情况。

    在单变量分析的时候,我们绘制了单变量的概率密度曲线,在双变量中我们也可以使用密度图来分析数据的分布情况。

    密度图的绘制还是使用seaborn.jointplot()函数,只是将kind参数更该为kde即可。

    # 绘制双变量蜂巢图
    sns.jointplot(x='x',y='y',data=df,kind='kde')
    plt.show()
    

    在这里插入图片描述

    根据图形可以看出,双变量密度图是使用一些封闭但是不规则的曲线来表示,数据密度越高的地方颜色越深,数据密度越低的地方颜色越浅。

    三、多变量关系分布图

    我们在做数据分析时面对的数据集中往往有很多列数据,在我们还没有确定针对哪两个变量进行挖掘的时候,比较稳妥的做法就是将数据中的每两列都考虑一次,做一个完整的变量关系可视化。

    以著名的iris数据集为例,iris数据集有4个特征,那么每两个特征都考虑一次,就有16种组合。

    %matplotlib inline
    import matplotlib.pyplot as plt
    import seaborn as sns
    import pandas as pd
    import numpy as np
    
    data = pd.read_csv(r'C:\Users\lin-a\Desktop\data\iris.csv')
    data.head()
    
    sepal_lengthsepal_widthpetal_lengthpetal_widthspecies
    05.13.51.40.2setosa
    14.93.01.40.2setosa
    24.73.21.30.2setosa
    34.63.11.50.2setosa
    45.03.61.40.2setosa

    我们使用seaborn中的pairplot()方法,就可以绘制连续数值型多变量关系分布图。
    seaborn.pairplot(data,hue,vars,kind,diag_kind)

    参数介绍:

    • data:表示绘图所用到的数据集
    • hue:表示按照某个字段进行分类
    • vars:可以用于筛选绘制图形的变量,用列表的形式传入列名称
    • kind:用于设置变量间图形的类型,可以选择“scatter散点图”或“reg回归图”
    • diag_kind:用于设置对角线上的图形类型,可以选择“hist直方图”或“kde核密度图”
    sns.pairplot(data)
    plt.show()
    

    在这里插入图片描述

    从图中可以看出,在petal_length和petal_width散点图中,呈现了比较明显的线性关系。

    接下来我们将分类变量species考虑在图中,看看不同类别的鸢尾花的数据有没有明显的差别,将hue参数设置为species。

    sns.pairplot(data,hue='species')
    plt.show()
    

    在这里插入图片描述

    从图中可以看出,不同的颜色代表着花的不同种类,同一种的数据聚集在一起,并且与其他类别的数据交集比较少,表示三种花有明显的差别。

    我们也可以使用pairplot函数绘制两个变量的关系分布图。
    使用kind参数设置两个变量间使用回归图,使用diag_kind参数设置对角线上的图像类型为密度图。

    sns.pairplot(data,hue='species',vars=['sepal_length', 'sepal_width'],kind='reg',diag_kind='kde')
    plt.show()
    

    在这里插入图片描述

    我们可以根据自己对于数据的理解,设置不同的图像样式,来继续发掘数据中的信息。

    四、总结

    单变量分析图

    在这里插入图片描述

    双变量联合分布图

    在这里插入图片描述

    多变量关系分布图

    在这里插入图片描述

    五、练习

    1. 使用数据完成以下要求:完成下面的要求: 1. 绘制出每两列变量之间的关系; 2. 不同性别的消费数据有没有明显的差别。 3. 绘制消费总额与小费两个变量的关系分布图。
    %matplotlib inline
    import seaborn as sns
    import pandas as pd
    import matplotlib.pyplot as plt
    
    # 读取数据
    data = pd.read_csv(r'C:\Users\lin-a\Desktop\data\tips.csv')
    # 了解数据基本特征
    print(data.shape)
    data.head()
    
    (244, 7)
    
    total_billtipsexsmokerdaytimesize
    016.991.01FemaleNoSunDinner2
    110.341.66MaleNoSunDinner3
    221.013.50MaleNoSunDinner3
    323.683.31MaleNoSunDinner2
    424.593.61FemaleNoSunDinner4
    # 绘制出每两列变量之间的关系
    sns.pairplot(data)
    plt.show()
    

    在这里插入图片描述

    # 不同性别的数据是否有明显差异
    sns.pairplot(data,hue='sex')
    plt.show()
    

    在这里插入图片描述

    # 绘制消费总额和消费之间的关系分布图
    sns.pairplot(data,vars=['total_bill','tip'],kind='reg',diag_kind='kde')
    plt.show()
    

    在这里插入图片描述

    1. 继续使用以上数据,完成以下要求: 1. 绘制出用餐人数的概率分布图; 2. 绘制出用餐人数与小费的散点图;
    %matplotlib inline
    import seaborn as sns
    import pandas as pd
    import matplotlib.pyplot as plt
    
    # 读取数据
    data = pd.read_csv(r'C:\Users\lin-a\Desktop\data\tips.csv')
    # 了解数据基本特征
    print(data.shape)
    data.head()
    
    (244, 7)
    
    total_billtipsexsmokerdaytimesize
    016.991.01FemaleNoSunDinner2
    110.341.66MaleNoSunDinner3
    221.013.50MaleNoSunDinner3
    323.683.31MaleNoSunDinner2
    424.593.61FemaleNoSunDinner4
    # 取出用餐人数列
    size = data['size']
    # 绘制单变量分析图
    sns.set(style='whitegrid')
    sns.distplot(size,kde=True)
    plt.show()
    

    在这里插入图片描述

    # 取出用餐人数与消费列
    data2 = data[['size','tip']]
    # 参数x_jitter,这个参数可以设置size值的偏离范围,这里size代表用餐人数,那么我们设置的x_jitter应该在0-1之间,我们设置为0.3,散点图显得更易观察
    sns.jointplot(x='size',y='tip',data=data2,kind='reg',x_jitter=0.3)
    plt.show()
    

    在这里插入图片描述

    展开全文
  • 双变量相关分析PPT课件.pptx
  • 不懂统计学的数据分析师都不是好的数据分析师,多数的数据分析师课程都讲Python的应用,又不是开发代码敲的那么好有什么用?不学统计的Python数据分析课程都不是好课程,不如抽空多看看统计学的内容。 本文介绍 ...

    内容介绍

    数据分析师的 全部文章目录

    看懂Python数据分析师,清华大学技术顾问带你一起从零做起

    本文介绍 Python数据分析师 统计学中需要掌握数据变量与变量之间的关系。

    不懂统计学的数据分析师都不是好的数据分析师,多数的数据分析师课程都讲Python的应用,又不是开发代码敲的那么好有什么用?不学统计的知识是没有办法做数据分析师的,本专栏的文章主要以概念和应用举例为主,跳过能让人劝退的学术推导的内容,让大家在愉快中学习统计知识。

    可以学习到以下知识:

    1. 相关系数为表示数值数据与数值数据之间关联程度的指标。
    2. 相关比表示数值数据和分类数据关联程度的指标。
    3. 克莱姆相关系数表示分类数据和分类数据关联程度的指标。
    4. 相关系数、相关比和克莱姆相关系数特征为
    展开全文
  • SPSS实现两变量相关分析

    千次阅读 2020-10-05 00:19:37
    SPSS实现两变量相关分析目的适用情景数据处理SPSS操作SPSS输出结果分析知识点 目的 相关系数已经放在了目录里面,https://blog.csdn.net/weixin_44255182/article/details/108552332 和题目一样,就是实现两变量...
  • matlab开发-双变量gamma分布cdfpfs样本。双变量伽马CDF和PDF(rho>0) 双变量伽马随机发生器
  • matlab多变量回归分析教程.doc 本次教程的主要内容包含一、多元线性回归2多元线性回归REGRESS二、多项式回归3一元多项式POLYFIT或者POLYTOOL多元二项式RSTOOL或者RSMDEMO三、非线性回归4非线性回归NLINFIT四、逐步...
  • 变量分析、组合变量分析

    千次阅读 2020-04-20 21:23:16
    变量分析、组合变量分析变量分析 1.协方差的一些解释: 在坐标轴中,使用x_u、y_u画两条直线,会使数据分布在四个象限 当s_xy为正时,表示变量x、y是正的线性关系,即x增加,y增加 当s_xy为负时,表示变量x、y...
  • 变量为分类变量或分类+连续变量,可选择带虚拟变量的回归分析、联合分析、方差分析。 2)因变量为分类变量(建立的模型称为分类预测模型),当自变量为连续变量(或连续+分类变量)时,可选用判别分析、Logistic、...
  • 双变量与多变量的描述统计分析PPT课件.pptx
  • 目录:前言偏相关或复相关意义与用途分析方法:1、 样本相关系数矩阵、...没读过上篇文章请先仔细阅读再过来,因为多变量本质上是基于双变量的TzeSing Kong:相关性分析(两变量)​zhuanlan.zhihu.com二、偏相关或...
  • 推导了单位圆域和单位方域内的双变量正交多项式曲面的数学模型,详细分析了将不同正交多项式曲面应用于自由曲面拟合的精度问题。采用均匀随机、阵列分布和环状辐射三种采样方式,并选择具有代表性的普通非球面、自由...
  • 前言我们在分析两组变量之间的相关性时,比如X=[X1,X2,...,Xm]X=[X_1,X_2,...,X_m]和Y=[Y1,Y2,...,Yn]Y=[Y_1,Y_2,...,Y_n],最原始的方法就是直接计算X和Y的协方差矩阵,矩阵有m*n个值。有了协方差矩阵就得到了两两...
  • 说明 若要探讨患者授权能力与医疗支持的相关性,则需要用到双变量相关分析。如果两组数据均为符从正态分布的连续变量,并且存在线性关系,则选用皮尔逊相关分析;若数据不服从双变量正态分布,则选用斯皮尔曼相关...
  • SPSS:两个有序分类变量相关分析『Kendall''''s tau-b相关系数』一、问题与数据某研究者开展了一项人们对税收看法的调查,拟调查人们对“本国税收过高”的赞同程度(Strongly Disagree——非常不同意,用“0”表示...
  • 两变量的Pearson相关系数有自己的使用条件,要求两个...这里的双变量正态分布是什么意思?是说X和Y都分别满足正态分布么?【统计咨询】微信公众号撰文列举多部医学统计学教材提到:有一点可以确认的是二元正态分布并...
  • R语言17-双变量分析(散点图)

    千次阅读 2020-02-10 10:02:07
    两个变量 qplot(x = age, y = friend_count, data = pf) #默认散点图 ggplot(aes(x = age, y = friend_count), data = pf) + geom_point() 避免过度绘图:α ggplot(aes(x = age, y = friend_count), data = ...
  • 当我们创建一个图,如图3-1或图3-2,我们通常想知道x和y之间是否存在关系,以及这种关系的本质是什么。图3-3显示了四种不同的可能性,我们会发现:没有关系;一个强大的,简单的关系;一个强大的,不是简单的关系;...
  • SPSS-两变量相关性分析

    千次阅读 2020-12-28 21:14:06
    两个变量之间存在确定性:关系和不确定关系(会存在一定的波动范围),就好比你的亲生母亲绝对只有一个,而你的亲叔叔可能有好几个(可以在1叔—4叔之间波动)相关性一般分为 1:强正相关关系 (一个值会随着另一个值的...
  • 为了评估二元经济结果之间的因果关系,我们考虑对面板数据的双变量动态概率模型进行估计,该模型具有特殊性,可以说明动态过程的初始条件。 由于似然函数的难解形式是二维积分,因此我们使用一种近似方法:自适应...
  • 单变量、多变量分析绘图 1、单变量分析绘图 单变量其实就是我们通常接触到的数据集中的一列数据 单变量分析是数据分析中最简单的形式,其中被分析的数据只包含一个变量,因为它是一个单一的变量, 它不处理...
  • SPSS实现两变量相关分析

    千次阅读 2020-10-05 00:54:23
    SPSS实现两变量相关分析目的适用情景数据处理SPSS操作操作1操作2SPSS输出结果分析结果1结果2综合结果知识点 目的 之前直接研究两个变量相关关系,现在多了一个影响因素,为了排开这个因素对两个变量之间相关...
  • 双变量对称式液压变压器的压力特性分析 ,陈延礼,石陆军,本文提出一种新型的双变量对称式液压变压器,建立该型液压变压器的扭矩特性和压力特性模型,通过瞬时扭矩、平均扭矩以及液压变压
  • 通过在仿真模型中引入S函数,建立了定转子分段变频有级调压闭环调速系统的仿真模型,并以双变量变频器为基础设计了实验电路,编写了实验程序,从仿真和实验两个方面对定转子调速系统的性能进行分析研究。得出双变量交交...
  • 采用双变量交交变频器为双馈电动机提供变频励磁电源,并通过控制变频器输出电压的幅值、频率来控制转子侧电流;通过实验研究转子侧电流对双馈电动机定子侧功率因数的影响,得出可以通过控制转子侧电流来调节电动机功率...
  • 新型作用变量叶片泵功率特性仿真分析,陈磊,张银东,考虑实际汽车转向系统中助力泵的输出流量高于实际需求的流量,增加了泵的功率损失,降低了汽车的整体效率的问题,提出了一种在专
  • 双变量函数问题

    千次阅读 2019-05-02 15:59:00
    双变量函数不等式,是函数与导数模块中的一个难点问题;处理双变量函数的总体策略是减少变量的个数,降低求解难度,为达成这一目的,常常采用①花开两朵,先表一支。而且安排在前边先处理的往往是两个函数中不含有...
  • 在本文中,我们研究Clifford代数基础变形的问题,允许与Elko旋子相关的双线性协变量满足Fierz-Pauli-Kofink恒等式。 我们介绍了协方差的完整分析,同时考虑了与Elko旋子相关的双重结构。 而且,对最近提出的新的双重...
  • 首先介绍一下什么是空间自相关(引用:[https://wenku.baidu.com/view/4ab39c93650e52ea54189885.html]) 各位要是觉得我写的不好可以去看看虾神(这是一个大神)的文章。PS:虾神主页:...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 188,558
精华内容 75,423
关键字:

双变量相关分析是什么