SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
Mplus中介和调节教程
大学生问卷互填群
Meta分析辅导+代找数据
SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
R语言快速入门视频教程
LCA潜在类别分析和Mplus应用
Amos结构方程模型数据分析入门教程
倒U关系回归分析中介效应和调节效应分析SPSS视频教程
统计咨询(图文问答)

sublime教程[3]选择查找替换

使用sublime进行查找替换是非常方便的,下面我们分别介绍一些快速查找和替换的方法,可以大大提高我们的代码编辑效率。

  • “Ctrl + D”可以选中光标所在的词,然后按下“F3”可以逐个选中下一个同样的词:
  • “F3”是选择下一个词,那么选择上一个词自然就是“Shift + F3”,两个搭配使用就可以自由选择了。
  • 在选中一个词的情况下,可以按“Ctrl + D”增加选择下一个同样的词,这样你就可以同时编辑多个词了。
  • “Ctrl + F”可以查找你输入的词语,然后按回车可以选择下一个,多次按回车可以继续选择下一个。
  • “Ctrl + F”搜索到需要的词以后,可以按回车选择下一个,还可以按“Shift + Enter”选择上一个,或者“Alt + Enter”选择全部。
  • “Ctrl + H”可以调出替换工具栏,输入要替换的词,按“replace all”即可替换所有的词。使用“Ctrl + Shift + H”替换当前关键字,“Ctrl + Alt + Enter”替换所有匹配关键字。
  • 默认情况下,sublime查找字符串是大小写敏感的,“Alt + C”可以切换大小写是否敏感。“Alt + W”切换整字匹配(Whole matching)模式。
  • 正则表达式是非常强大的文本查找&替换工具,Sublime Text中使用Alt + R切换正则匹配模式的开启/关闭。Sublime Text的使用Boost里的Perl正则表达式风格。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

Python教程:[53]matplotlib安装错误

引用matplotlib包的时候出现一个问题,百度一下才知道问题再哪里,我们先来看看问题是什么。错误提示为:ImportError: matplotlib requires dateutil

  • 我使用二进制安装文件来安装这个包,安装过程没有出现任何问题
  • 输入这个,找不到这个模块
  • 我们得用:easy_install python-dateutil
  • 安装好了以后,我们就可以正确引用matplotlib

转载请注明来自DataScience.

邮箱: 675495787@qq.com

numpy函数:[15]以数组为下标读取数组

除了使用列表最为下标读取数组外,我们还可以使用数组作为下标。我们还是用例子看一下如何使用数组为下标读取数组吧。

  • 先从Numpy中引入所有
  • 我们先创建一个二维数组,作为下标数组
  • 创建一个数组a,作为要读取的数组
  • 我们直接使用e作为下标即可,得到一个数组f,f的形状和下标数组e是相同的。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

Statsmodels:[2]快速入门

这是Python.statsmodels系列文章的第二篇,为了让大家快速入门,理解statsmodels工作的整个过程,我找到了一个很好的例子,在这里介绍给大家。下面我们来一步步介绍这个例子。

  • 引入相关模块,pandas主要用到了他的DataFrame,sm用到了回归分析,patsy.dmatrices用于生成design matrix
  • 查看一下数据的前五行,有很多列,显示有点混乱
  • 下面筛选出我们需要的列:
    这是最后得到的数据:
  • 由于最后一行有NaN值,所以需要使用dropna删除该行数据
  • 生成design matrix,我们建立的模型是y=BX,因此需要分别求得y和X矩阵,而dmatrices就是干这个的
    这是y
    这是X矩阵:我们会发现分类变量自动的转换成了哑变量
  • OLS指的是一般最小二乘,fit方法对回归方程进行估计,summary保存着计算的结果
    这是输出的模型的估计结果:
  • 现在我们要进一步检验数据是不是适合使用OLS,我们暂且先检验一下数据是否为线性,虚无假设是线性的,采用Rainbow test
    输出结果为:第一个为F值,第二个为P值,显然未能拒绝虚无假设
  • 接着,我们绘制偏回归线观察数据点是否分布在估计得到的直线的附近(图为控制了Rgion和Literacy后wealth对lottery的回归关系)

转载请注明来自DataScience.

邮箱: 675495787@qq.com

spss二分类的logistic回归的操作和分析方法

二分类指的是因变量的数据只有两个值,代表事物的两种类别,典型的二分类变量如性别、是否患病等。因变量为二分变量原则上是无法做回归的,在回归方程中的因变量实质上是概率,而不是变量本身。在理解二分类变量以后,我们看看如何做二分类变量的logistic回归。
工具/原料

  • spss20.0
    方法/步骤

  • 打开数据以后,菜单栏上依次点击:analyse–regression–binary logistic,打开二分回归对话框

  • 将因变量和自变量放入格子的列表里,如图所示,上面的是因变量,下面的是自变量,我们看到这里有三个自变量
  • 设置回归方法,这里选择最简单的方法:enter,它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法,在前面的文章中有介绍,这里就不再熬述。
  • 点击ok,开始处理数据并检验回归方程,等待一会就会弹出数据结果窗口
  • 看到的第一个结果是对case的描述,第一个列表告诉你有多少数据参与的计算,有多少数据是缺省值;第二个列表告诉你因变量的编码方式,得分为1代表患病,得分为0代表没有患病
  • 这个列表告诉你在没有任何自变量进入以前,预测所有的case都是患病的正确率,正确率为%52.6
  • 下面这个列表告诉你在没有任何自变量进入以前,常数项的预测情况。B是没有引入自变量时常数项的估计值,SE它的标准误,Wald是对总体回归系数是否为0进行统计学检验的卡方。
  • 下面这个表格结果,通过sig值可以知道如果将模型外的各个变量纳入模型,则整个模型的拟合优度改变是否有统计学意义。 sig值小于0.05说明有统计学意义
  • 这个表格是对模型的全局检验,为似然比检验,供给出三个结果:同样sig值<0.05表明有统计学意义。
  • 下面的结果展示了-2log似然值和两个伪决定系数。两个伪决定系数反应的是自变量解释了因变量的变异占因变量的总变异的比例。他们俩的值不同因为使用的方法不同。
  • 分类表,这里展示了使用该回归方程对case进行分类,其准确度为%71.8。
  • 最后是输出回归方程中的各变量的系数和对系数的检验额值,sig值表明该系数是否具有统计学意义。到此,回归方程就求出来了。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

numpy函数:[7]linspace创建等差数列

numpy.linspace是用于创建一个一位数组,并且是等差数列构成的一位数组,它蕞常用的有三个参数,当然不只有三个参数,我们通过例子来了解一下它是如何使用的:

  • 首先,我们看一下第一个例子,用到三个参数,第一个参数表示起始点、第二个参数表示终止点,第三个参数表示数列的个数。
  • 我经常用它创建一个元素全部是1的等差数列,或者你也可以让所有元素为0
  • 我们看一下linspace创建的数组的元素的数据格式,当然是浮点型
  • 我们还可以使用参数endpoint来决定是否包含终止值,如果不设置这个参数,默认是True。我们看一下例子:注意步长改变了。
  • 我试了试两个参数,也是可以的,但是创建的这个数组,我不太清楚是什么意义,有懂得人可以给我留言

转载请注明来自DataScience.

邮箱: 675495787@qq.com

Excel2013:[33]如何取消隐藏时输入密码

今天cc问我如何隐藏一列数据,然后想要取消隐藏还得输入密码,我心想这是做什么,有什么不可告人的秘密?不管有什么不可告人的,我们的教程还是要写一下,而且是小白教程,看下面的具体过程:

  • 假如,我们要隐藏B列,先选中它
  • 右键单击该列,然后在右键菜单里选择【隐藏】
  • 看到了吧,隐藏了B列
  • 接下来点击左上角,选中所有单元格,然后按下快捷键Ctrl+1
  • 打开了一个对话框,我们切换到【保护】标签,然后确保下面两个选项是未选中的,如图所示,点击确定。
  • 在审阅标签下,找到【保护工作表选项】,打开它
  • 输入密码,勾选前两个选项,点击确定
  • 输入确认密码,对,和上面的密码一样,点击确定
  • 现在你看看,尝试显示隐藏列的时候,它的选项就是灰色的了,无法使用。
  • 想要撤销隐藏列,必须先撤销保护工作表,这时候会提示你输入密码。
  • 但是,这种方法并不是万无一失的,像我这种专业做数据的人,一看就知道如何查看你隐藏的列,不信,你看我接下来的一篇文章介绍【Excel2013 如何查看加密隐藏单元格】

转载请注明来自DataScience.

邮箱: 675495787@qq.com

pandas教程:[24]删除缺失数据

假如数据量比较大或者有冗余,我们可以删掉有缺失值的数据,你可以选择删除行或者删除列,用的都是DataFrame.dropna(),当然Series也有dropna方法,用法相同。

  • 引入相关模块
  • 创建一个带有缺失值的数据框:
    查看一下数据内容:
  • 通常情况下,我们选择删除行,使用参数axis=0,这是最常用的方法
    删除后的结果为:
  • 还有可能的是,我们选择删除列,这种情况不多,因为通常我们选择用列表示一个变量或者指标,我们通常不会因为有几个缺失值就删除一个变量
    输出结果为:

转载请注明来自DataScience.

邮箱: 675495787@qq.com

Django教程:[5]URLpattern的语法

前一篇文章我们使用Django制作了第一个网页,针对其中的一些问题,我们补充一点知识,这是关于urls.py文件中的URLpattern的,

  • 我们在写url的时候实际上写的是正则表达式,尖号(^)和美元符号($)都是正则表达式符号,分别表示字符串的开头和结尾。上面添加的url(’^hello/$’)表示url以hello/开头,也以hello/结尾,只有满足这两个条件的url才可以调用hello函数。
  • 假如我们写成 ^hello/ ,没有$结尾,表示任何以hello/开头的url都是可以调用hello方法的,比如浏览器中访问http://127.0.0.1:8001/hello/dfdf也可以调用hello方法。

  • 假如我们写成 hello/$,没有尖号(^)开头,那么任何以hello/结尾的url都可以调用hello方法。比如http://127.0.0.1:8001/dfdfdf/hello/

  • 那么,只写 hello/ ,没有尖号和美元符号,那么只要url中包含字符 hello/都可以调用方法 hello 。

  • 学习python的正则表达式可以帮助你更好的理解这些内容,下面的参考资料里有python的正则表达式的学习教程。

转载请注明来自DataScience.

邮箱: 675495787@qq.com

Django教程:[5]URLpattern的语法

前一篇文章我们使用Django制作了第一个网页,针对其中的一些问题,我们补充一点知识,这是关于urls.py文件中的URLpattern的,

  • 我们在写url的时候实际上写的是正则表达式,尖号(^)和美元符号($)都是正则表达式符号,分别表示字符串的开头和结尾。上面添加的url(’^hello/$’)表示url以hello/开头,也以hello/结尾,只有满足这两个条件的url才可以调用hello函数。
  • 假如我们写成 ^hello/ ,没有$结尾,表示任何以hello/开头的url都是可以调用hello方法的,比如浏览器中访问http://127.0.0.1:8001/hello/dfdf也可以调用hello方法。

  • 假如我们写成 hello/$,没有尖号(^)开头,那么任何以hello/结尾的url都可以调用hello方法。比如http://127.0.0.1:8001/dfdfdf/hello/

  • 那么,只写 hello/ ,没有尖号和美元符号,那么只要url中包含字符 hello/都可以调用方法 hello 。

  • 学习python的正则表达式可以帮助你更好的理解这些内容,下面的参考资料里有python的正则表达式的学习教程。

转载请注明来自DataScience.

邮箱: 675495787@qq.com