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!


原文地址:https://blog.csdn.net/weixin_30315905/article/details/99501442
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/347568

相关文章

解决mysql插入数据锁等待超时报错:Lock wait timeout exceeded;try restarting transaction

《解决mysql插入数据锁等待超时报错:Lockwaittimeoutexceeded;tryrestartingtransaction》:本文主要介绍解决mysql插入数据锁等待超时报... 目录报错信息解决办法1、数据库中执行如下sql2、再到 INNODB_TRX 事务表中查看总结报错信息Lock

使用C#删除Excel表格中的重复行数据的代码详解

《使用C#删除Excel表格中的重复行数据的代码详解》重复行是指在Excel表格中完全相同的多行数据,删除这些重复行至关重要,因为它们不仅会干扰数据分析,还可能导致错误的决策和结论,所以本文给大家介绍... 目录简介使用工具C# 删除Excel工作表中的重复行语法工作原理实现代码C# 删除指定Excel单元

Linux lvm实例之如何创建一个专用于MySQL数据存储的LVM卷组

《Linuxlvm实例之如何创建一个专用于MySQL数据存储的LVM卷组》:本文主要介绍使用Linux创建一个专用于MySQL数据存储的LVM卷组的实例,具有很好的参考价值,希望对大家有所帮助,... 目录在Centos 7上创建卷China编程组并配置mysql数据目录1. 检查现有磁盘2. 创建物理卷3. 创

Nacos日志与Raft的数据清理指南

《Nacos日志与Raft的数据清理指南》随着运行时间的增长,Nacos的日志文件(logs/)和Raft持久化数据(data/protocol/raft/)可能会占用大量磁盘空间,影响系统稳定性,本... 目录引言1. Nacos 日志文件(logs/ 目录)清理1.1 日志文件的作用1.2 是否可以删除

使用Python获取JS加载的数据的多种实现方法

《使用Python获取JS加载的数据的多种实现方法》在当今的互联网时代,网页数据的动态加载已经成为一种常见的技术手段,许多现代网站通过JavaScript(JS)动态加载内容,这使得传统的静态网页爬取... 目录引言一、动态 网页与js加载数据的原理二、python爬取JS加载数据的方法(一)分析网络请求1

8种快速易用的Python Matplotlib数据可视化方法汇总(附源码)

《8种快速易用的PythonMatplotlib数据可视化方法汇总(附源码)》你是否曾经面对一堆复杂的数据,却不知道如何让它们变得直观易懂?别慌,Python的Matplotlib库是你数据可视化的... 目录引言1. 折线图(Line Plot)——趋势分析2. 柱状图(Bar Chart)——对比分析3

Spring Boot 整合 Redis 实现数据缓存案例详解

《SpringBoot整合Redis实现数据缓存案例详解》Springboot缓存,默认使用的是ConcurrentMap的方式来实现的,然而我们在项目中并不会这么使用,本文介绍SpringB... 目录1.添加 Maven 依赖2.配置Redis属性3.创建 redisCacheManager4.使用Sp

Python Pandas高效处理Excel数据完整指南

《PythonPandas高效处理Excel数据完整指南》在数据驱动的时代,Excel仍是大量企业存储核心数据的工具,Python的Pandas库凭借其向量化计算、内存优化和丰富的数据处理接口,成为... 目录一、环境搭建与数据读取1.1 基础环境配置1.2 数据高效载入技巧二、数据清洗核心战术2.1 缺失

Python处理超大规模数据的4大方法详解

《Python处理超大规模数据的4大方法详解》在数据的奇妙世界里,数据量就像滚雪球一样,越变越大,从最初的GB级别的小数据堆,逐渐演变成TB级别的数据大山,所以本文我们就来看看Python处理... 目录1. Mars:数据处理界的 “变形金刚”2. Dask:分布式计算的 “指挥家”3. CuPy:GPU

使用Vue-ECharts实现数据可视化图表功能

《使用Vue-ECharts实现数据可视化图表功能》在前端开发中,经常会遇到需要展示数据可视化的需求,比如柱状图、折线图、饼图等,这类需求不仅要求我们准确地将数据呈现出来,还需要兼顾美观与交互体验,所... 目录前言为什么选择 vue-ECharts?1. 基于 ECharts,功能强大2. 更符合 Vue