单组数据的图形描述

2023-11-05 04:59
文章标签 数据 图形 描述 单组

本文主要是介绍单组数据的图形描述,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

单组数据的分布可以通过直方图、茎叶图和框须图考察。

Example 4.3.1 程序包DAAG中有内嵌数据集“possum”, 包括从维多利亚南部到皇后区的七个地区的104只负鼠(possum)的年龄、尾巴的长度、总长度等9个特征,考虑其中的43只雌性负鼠的特征,建立子集fpossum,考察雌性负鼠的总长度的频率分布。

First :图形+Code

> library(DAAG)   #打开数据库
> data(possum)   #调入数据集
> fpossum <- possum[possum$sex=="f",]   #提取子集
> par(mfrow = c(1,2))    #绘图区域分成两部分
> attach ( fpossum )       #当前数据集
> hist(   totlngth,
+         breaks = 72.5 + (0:5)*5,
+         ylim = c(0,22),
+         xlab = "total length",
+         main = "A:Breaks at 72.5...")
> hist (  totlngth,
+         breaks = 75 + (0:5) * 5,
+         ylim = c(0,22),
+         xlab = "total length",
+         main = "B:Breaks at 75...")


> stem(fpossum$totlngth)  #茎叶图

  The decimal point is at the |

  74 | 0
  76 |
  78 |
  80 | 05
  82 | 0500
  84 | 05005
  86 | 05505
  88 | 0005500005555
  90 | 5550055
  92 | 000
  94 | 05
  96 | 5

> boxplot(fpossum$totlngth) #框须图

 

Second:数据集显示

> possum
      case site   Pop sex age hdlngth skullw totlngth taill footlgth earconch  eye chest belly
C3       1    1   Vic   m   8    94.1   60.4     89.0  36.0     74.5     54.5 15.2  28.0  36.0
C5       2    1   Vic   f   6    92.5   57.6     91.5  36.5     72.5     51.2 16.0  28.5  33.0
C10      3    1   Vic   f   6    94.0   60.0     95.5  39.0     75.4     51.9 15.5  30.0  34.0
C15      4    1   Vic   f   6    93.2   57.1     92.0  38.0     76.1     52.2 15.2  28.0  34.0
C23      5    1   Vic   f   2    91.5   56.3     85.5  36.0     71.0     53.2 15.1  28.5  33.0
C24      6    1   Vic   f   1    93.1   54.8     90.5  35.5     73.2     53.6 14.2  30.0  32.0
C26      7    1   Vic   m   2    95.3   58.2     89.5  36.0     71.5     52.0 14.2  30.0  34.5
C27      8    1   Vic   f   6    94.8   57.6     91.0  37.0     72.7     53.9 14.5  29.0  34.0
C28      9    1   Vic   f   9    93.4   56.3     91.5  37.0     72.4     52.9 15.5  28.0  33.0
C31     10    1   Vic   f   6    91.8   58.0     89.5  37.5     70.9     53.4 14.4  27.5  32.0
C32     11    1   Vic   f   9    93.3   57.2     89.5  39.0     77.2     51.3 14.9  31.0  34.0
C34     12    1   Vic   f   5    94.9   55.6     92.0  35.5     71.7     51.0 15.3  28.0  33.0
C36     13    1   Vic   m   5    95.1   59.9     89.5  36.0     71.0     49.8 15.8  27.0  32.0
C37     14    1   Vic   m   3    95.4   57.6     91.5  36.0     74.3     53.7 15.1  28.0  31.5
C39     15    1   Vic   m   5    92.9   57.6     85.5  34.0     69.7     51.8 15.7  28.0  35.0
C40     16    1   Vic   m   4    91.6   56.0     86.0  34.5     73.0     51.4 14.4  28.0  32.0
C45     17    1   Vic   f   1    94.7   67.7     89.5  36.5     73.2     53.2 14.7  29.0  31.0
C47     18    1   Vic   m   2    93.5   55.7     90.0  36.0     73.7     55.4 15.3  28.0  32.0
C48     19    1   Vic   f   5    94.4   55.4     90.5  35.0     73.4     53.9 15.2  28.0  32.0
C50     20    1   Vic   f   4    94.8   56.3     89.0  38.0     73.8     52.4 15.5  27.0  36.0
C54     21    1   Vic   f   3    95.9   58.1     96.5  39.5     77.9     52.9 14.2  30.0  40.0
C55     22    1   Vic   m   3    96.3   58.5     91.0  39.5     73.5     52.1 16.2  28.0  36.0
C58     23    1   Vic   f   4    92.5   56.1     89.0  36.0     72.8     53.3 15.4  28.0  35.0
C59     24    1   Vic   m   2    94.4   54.9     84.0  34.0     75.0     53.5 16.2  27.0  32.0
C60     25    1   Vic   m   3    95.8   58.5     91.5  35.5     72.3     51.6 14.9  31.0  35.0
C61     26    1   Vic   m   7    96.0   59.0     90.0  36.0     73.6     56.2 15.0  29.0  38.0
C63     27    1   Vic   f   2    90.5   54.5     85.0  35.0     70.3     50.8 14.2  23.0  28.0
C64     28    1   Vic   m   4    93.8   56.8     87.0  34.5     73.2     53.0 15.3  27.0  30.0
A1      29    1   Vic   f   3    92.8   56.0     88.0  35.0     74.9     51.8 14.0  24.0  32.0
A2      30    1   Vic   f   2    92.1   54.4     84.0  33.5     70.6     50.8 14.5  24.5  33.0
A3      31    1   Vic   m   3    92.8   54.1     93.0  37.0     68.0     52.5 14.5  27.0  31.0
A4      32    1   Vic   f   4    94.3   56.7     94.0  39.0     74.8     52.0 14.9  28.0  34.0
AD1     33    1   Vic   m   3    91.4   54.6     89.0  37.0     70.8     51.8 14.8  24.0  30.0
BB4     34    2   Vic   m   2    90.6   55.7     85.5  36.5     73.1     53.1 14.4  26.0  28.5
BB13    35    2   Vic   m   4    94.4   57.9     85.0  35.5     71.2     55.5 16.4  28.0  35.5
BB15    36    2   Vic   m   7    93.3   59.3     88.0  35.0     74.3     52.0 14.9  25.5  36.0
BB17    37    2   Vic   f   2    89.3   54.8     82.5  35.0     71.2     52.0 13.6  28.0  31.5
BB25    38    2   Vic   m   7    92.4   56.0     80.5  35.5     68.4     49.5 15.9  27.0  30.0
BB31    39    2   Vic   f   1    84.7   51.5     75.0  34.0     68.7     53.4 13.0  25.0  25.0
BB33    40    2   Vic   f   3    91.0   55.0     84.5  36.0     72.8     51.4 13.6  27.0  30.0
BB36    41    2   Vic   f   5    88.4   57.0     83.0  36.5       NA     40.3 15.9  27.0  30.5
BB38    42    2   Vic   m   3    85.3   54.1     77.0  32.0     62.7     51.2 13.8  25.5  33.0
BB40    43    2   Vic   f   2    90.0   55.5     81.0  32.0     72.0     49.4 13.4  29.0  31.0
BB41    44    2   Vic   m  NA    85.1   51.5     76.0  35.5     70.3     52.6 14.4  23.0  27.0
BB44    45    2   Vic   m   3    90.7   55.9     81.0  34.0     71.5     54.0 14.6  27.0  31.5
BB45    46    2   Vic   m  NA    91.4   54.4     84.0  35.0     72.8     51.2 14.4  24.5  35.0
WW1     47    3 other   m   2    90.1   54.8     89.0  37.5     66.0     45.5 15.0  25.0  33.0
WW2     48    3 other   m   5    98.6   63.2     85.0  34.0     66.9     44.9 17.0  28.0  35.0
WW3     49    3 other   m   4    95.4   59.2     85.0  37.0     69.0     45.0 15.9  29.5  35.5
WW4     50    3 other   f   5    91.6   56.4     88.0  38.0     65.0     47.2 14.9  28.0  36.0
WW5     51    3 other   f   5    95.6   59.6     85.0  36.0     64.0     43.9 17.4  28.0  38.5
WW6     52    3 other   m   6    97.6   61.0     93.5  40.0     67.9     44.3 15.8  28.5  32.5
WW7     53    3 other   f   3    93.1   58.1     91.0  38.0     67.4     46.0 16.5  26.0  33.5
BR1     54    4 other   m   7    96.9   63.0     91.5  43.0     71.3     46.0 17.5  30.0  36.5
BR2     55    4 other   m   2   103.1   63.2     92.5  38.0     72.5     44.9 16.4  30.5  36.0
BR3     56    4 other   m   3    99.9   61.5     93.7  38.0     68.7     46.8 16.4  27.5  31.5
BR4     57    4 other   f   4    95.1   59.4     93.0  41.0     67.2     45.3 14.5  31.0  39.0
BR5     58    4 other   m   3    94.5   64.2     91.0  39.0     66.5     46.4 14.4  30.5  33.0
BR6     59    4 other   m   2   102.5   62.8     96.0  40.0     73.2     44.5 14.7  32.0  36.0
BR7     60    4 other   f   2    91.3   57.7     88.0  39.0     63.1     47.0 14.4  26.0  30.0
CD1     61    5 other   m   7    95.7   59.0     86.0  38.0     63.1     44.9 15.0  26.5  31.0
CD2     62    5 other   f   3    91.3   58.0     90.5  39.0     65.5     41.3 16.0  27.0  32.0
CD3     63    5 other   f   6    92.0   56.4     88.5  38.0     64.1     46.3 15.2  25.5  28.5
CD4     64    5 other   f   3    96.9   56.5     89.5  38.5     63.0     45.1 17.1  25.5  33.0
CD5     65    5 other   f   5    93.5   57.4     88.5  38.0     68.2     41.7 14.0  29.0  38.5
CD6     66    5 other   f   3    90.4   55.8     86.0  36.5     63.2     44.2 15.7  26.5  34.0
CD7     67    5 other   m   4    93.3   57.6     85.0  36.5     64.7     44.1 16.5  27.5  29.5
CD8     68    5 other   m   5    94.1   56.0     88.5  38.0     65.9     43.1 17.4  27.0  30.0
CD9     69    5 other   m   5    98.0   55.6     88.0  37.5     65.0     45.6 15.0  28.5  34.0
CD10    70    5 other   f   7    91.9   56.4     87.0  38.0     65.4     44.1 13.0  27.0  34.0
CD11    71    5 other   m   6    92.8   57.6     90.0  40.0     65.7     42.8 15.0  27.5  34.0
CD12    72    5 other   m   1    85.9   52.4     80.5  35.0     62.0     42.4 14.1  25.5  30.0
CD13    73    5 other   m   1    82.5   52.3     82.0  36.5     65.7     44.7 16.0  23.5  28.0
BSF1    74    6 other   f   4    88.7   52.0     83.0  38.0     61.5     45.9 14.7  26.0  34.0
BSF2    75    6 other   m   6    93.8   58.1     89.0  38.0     66.2     45.6 16.9  26.0  33.5
BSF3    76    6 other   m   5    92.4   56.8     89.0  41.0     64.5     46.4 17.8  26.0  33.0
BSF4    77    6 other   m   6    93.6   56.2     84.0  36.0     62.8     42.9 16.2  25.0  35.0
BSF5    78    6 other   m   1    86.5   51.0     81.0  36.5     63.0     44.3 13.2  23.0  28.0
BSF6    79    6 other   m   1    85.8   50.0     81.0  36.5     62.8     43.0 14.8  22.0  28.5
BSF7    80    6 other   m   1    86.7   52.6     84.0  38.0     62.3     44.8 15.0  23.5  30.5
BSF8    81    6 other   m   3    90.6   56.0     85.5  38.0     65.6     41.7 17.0  27.5  35.0
BSF9    82    6 other   f   4    86.0   54.0     82.0  36.5     60.7     42.9 15.4  26.0  32.0
BSF10   83    6 other   f   3    90.0   53.8     81.5  36.0     62.0     43.3 14.0  25.0  29.0
BSF11   84    6 other   m   3    88.4   54.6     80.5  36.0     62.6     43.6 16.3  25.0  28.5
BSF12   85    6 other   m   3    89.5   56.2     92.0  40.5     65.6     43.5 14.5  27.0  31.5
BSF13   86    6 other   f   3    88.2   53.2     86.5  38.5     60.3     43.7 13.6  26.0  31.0
BTP1    87    7 other   m   2    98.5   60.7     93.0  41.5     71.7     46.8 15.0  26.0  36.0
BTP3    88    7 other   f   2    89.6   58.0     87.5  38.0     66.7     43.5 16.0  25.5  31.5
BTP4    89    7 other   m   6    97.7   58.4     84.5  35.0     64.4     46.2 14.4  29.0  30.5
BTP5    90    7 other   m   3    92.6   54.6     85.0  38.5     69.8     44.8 14.5  25.5  32.5
BTP6    91    7 other   m   3    97.8   59.6     89.0  38.0     65.5     48.0 15.0  26.0  32.0
BTP7    92    7 other   m   2    90.7   56.3     85.0  37.0     67.6     46.8 14.5  25.5  31.0
BTP8    93    7 other   m   3    89.2   54.0     82.0  38.0     63.8     44.9 12.8  24.0  31.0
BTP9    94    7 other   m   7    91.8   57.6     84.0  35.5     64.2     45.1 14.4  29.0  35.0
BTP10   95    7 other   m   4    91.6   56.6     88.5  37.5     64.5     45.4 14.9  27.0  31.0
BTP12   96    7 other   m   4    94.8   55.7     83.0  38.0     66.5     47.7 14.0  25.0  33.0
BTP13   97    7 other   m   3    91.0   53.1     86.0  38.0     63.8     46.0 14.5  25.0  31.5
BTP14   98    7 other   m   5    93.2   68.6     84.0  35.0     65.6     44.3 14.5  28.5  32.0
BTP15   99    7 other   f   3    93.3   56.2     86.5  38.5     64.8     43.8 14.0  28.0  35.0
BTP16  100    7 other   m   1    89.5   56.0     81.5  36.5     66.0     46.8 14.8  23.0  27.0
BTP17  101    7 other   m   1    88.6   54.7     82.5  39.0     64.4     48.0 14.0  25.0  33.0
BTP19  102    7 other   f   6    92.4   55.0     89.0  38.0     63.5     45.4 13.0  25.0  30.0
BTP20  103    7 other   m   4    91.5   55.2     82.5  36.5     62.9     45.9 15.4  25.0  29.0
BTP21  104    7 other   f   3    93.6   59.9     89.0  40.0     67.6     46.0 14.8  28.5  33.5

转载于:https://www.cnblogs.com/bangemantou/archive/2012/12/28/2836726.html

这篇关于单组数据的图形描述的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/347568

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据,可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法,结合实例进行讲解,希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav