小计是指根据分组列查找值的总和。例如，如果我们有一个名为 df 的数据框，其中包含三个数值列 x、y、z 和一个分类列 Group，那么可以使用命令 aggregate(cbind(x,y,z)~Group,data=df,FUN=sum) 查找 Group 中每个类别 x、y、z 的小计。请考虑以下数据框 -示例 实时演示x1

要创建具有递增值的随机整数向量，我们可以使用 sample.int 进行随机采样，并使用 cummax 函数获取递增值。例如，要创建大小为 5、最大值为 5、起始值为 1 的随机整数向量，可以使用命令 cummax(sample.int(5))。示例 实时演示x1

当我们执行任何类型的数据分析时，会在 R 环境中创建许多类型的对象，例如向量、数据框、矩阵、列表、数组等。如果我们想获取 R 环境中可用数据框的列表，则可以使用以下命令 -names(which(unlist(eapply(.GlobalEnv,is.data.frame))))示例 实时演示x1

如果我们在 R 数据框中有一个数值列，并且该列中唯一值的个数很少，这意味着该数值列可以被视为一个因子。因此，我们可以将数值列转换为因子。要使用 dplyr 包执行此操作，我们可以使用 dplyr 包的 mutate_if 函数。加载 dplyr 包并将 BOD 数据集（在基本 R 中可用）中的数值列转换为因子列 -示例library(dplyr) str(BOD) 'data.frame': 6 obs. of 2 variables: $ Time : num 1 2 3 4 5 7 $ demand: num 8.3 10.3 19 16 15.6 19.8 - ... 阅读更多

假设，您有一个数据框，并且修剪最小和最大阈值的结果，最小阈值：    Column1 Column2 0    30    30 1    34    30 2    56    30 3    78    50 4    30    90 最大阈值：    Column1 Column2 0    12    23 1    34    30 2    50    25 3    50    50 4    28    50 修剪后的数据框为：    Column1 Column2 0    30    30 1    34    30 2    50    30 3   ... 阅读更多

假设，您有一个数据框，并且量化分布形状的结果为，峰度为： Column1    -1.526243 Column2     1.948382 dtype: float64 偏度分布 - 偏度为： Column1    -0.280389 Column2     1.309355 dtype: float64解决方案要解决此问题，我们将按照以下步骤操作 -定义一个数据框应用 df.kurt(axis=0) 计算分布的形状，df.kurt(axis=0)应用 df.skew(axis=0) 计算轴 0 上的无偏偏度以查找偏度分布，df.skew(axis=0)示例让我们看看以下代码以更好地理解 -import pandas as pd data = {"Column1":[12, 34, 56, 78, 90],          "Column2":[23, 30, 45, ... 阅读更多

解决方案假设您有一个数据框，并且行和列的平均绝对偏差为，列的 mad： Column1    0.938776 Column2    0.600000 dtype: float64 行的 mad： 0    0.500 1    0.900 2    0.650 3    0.900 4    0.750 5    0.575 6    1.325 dtype: float64要解决此问题，我们将按照以下步骤操作 -定义一个数据框计算行的平均绝对偏差，df.mad()计算行的平均绝对偏差，df.mad(axis=1)示例让我们看看以下代码以更好地理解 -import pandas as pd data = {"Column1":[6, 5.3, 5.9, 7.8, 7.6, 7.45, 7.75], ... 阅读更多

假设，您有 Panel，并且第一行的平均值为，第一行的平均值为： Column1    0.274124 dtype: float64解决方案要解决此问题，我们将按照以下步骤操作 -将数据值设置为字典键为 'Column1'，值为 pd.DataFrame(np.random.randn(5, 3))data = {'Column1' : pd.DataFrame(np.random.randn(5, 3))}将数据分配给 Panel 并将其保存为 pp = pd.Panel(data)使用字典键 Column1 打印列print(p['Column1'])计算使用 major_xs(0) 的第一行的平均值，p.major_xs(0).mean()示例让我们看看以下代码以更好地理解 -import pandas as pd import numpy as np data = {'Column1' : pd.DataFrame(np.random.randn(5, 3))} p = pd.Panel(data) print("Panel values:") ... 阅读更多

解决方案假设，您有一个数据框和特定列的最小排名，  Id Name    Age    Rank 0 1 Adam    12    1.0 1 2 David   13    3.0 2 3 Michael 14    5.0 3 4 Peter   12    1.0 4 5 William 13    3.0要解决此问题，我们将按照以下步骤操作 -定义一个数据框。将 df[‘Age’] 列分配到 rank 函数中以计算轴 0 的最小排名，df["Age"].rank(axis=0, method ='min', ascending=True)示例让我们看看以下代码以更好地理解 -import pandas as pd data = {'Id': [1, 2, 3, ... 阅读更多

面板中第一列的最大值的结果为第一列的最大值为； Column1    1.377292解决方案要解决此问题，我们将按照以下方法操作 -将数据值设置为字典键为 'Column1'，值为 pd.DataFrame(np.random.randn(5, 3))data = {'Column1' : pd.DataFrame(np.random.randn(5, 3))}将数据分配给 Panel 并将其保存为 pp = pd.Panel(data)使用字典键 Column1 打印列print(p['Column1'])使用 minor_xs(0) 计算第一列的最大值，p.minor_xs(0).max()示例让我们看看以下代码以更好地理解 -import pandas as pd import numpy as np data = {'Column1' : pd.DataFrame(np.random.randn(5, 3))} p = pd.Panel(data) print("Panel ... 阅读更多