Questions tagged «barplot»

两个盒和晶须情节和条形图是适当的图形为ANOVA根据R书（克拉雷，2013），但是这是比较合适的？我想这取决于情况...有人可以帮助我吗？

14 boxplot  rule-of-thumb  barplot 

关闭。这个问题是题外话。它当前不接受答案。 想改善这个问题吗？ 更新问题，使它成为交叉验证的主题。 4年前关闭。 我想在R中的单个图形上绘制四个条形图。我使用了以下代码。在这里，如何将图例保持在图表顶部，特别是图例应介于2到3个条形图之间。我也尝试过，par(mar=c(4.1,4.1,8.1,4.1)但没有成功。而且，我也尝试legend()在第二个barplot之后运行，但是没有用。图例适用于所有四个木槌。请帮助我。 par(mfrow=c(1,4)) barplot(t(A), beside=T, ylim=c(-100,100),..) barplot(t(B), beside=T, ylim=c(-100,100),..) barplot(t(C), beside=T, ylim=c(-100,100),..) barplot(t(D), beside=T, ylim=c(-100,100),..) legend(...)

12 r  data-visualization  barplot 

我正在尝试在此表中的观察值和召回得分的标准差的可视化中绘制一个合适的图： 召回控制意思37标清8实验性意思21标清6控制实验性意思标清意思标清召回378216\begin{array} {c|c c|c c|} & \text{Control} & & \text{Experimental} & \\ & \text{Mean} & \text{SD} &\text{Mean} &\text{SD} \\ \hline \text{Recall} & 37 & 8 & 21 & 6 \\ \hline \end{array} 最好的方法是什么？条形图是一个好方法吗？在这种情况下如何说明标准偏差？

11 data-visualization  standard-deviation  mean  descriptive-statistics  barplot 

的mgcv软件包R具有两个功能，用于拟合张量积相互作用：te()和ti()。我了解两者之间的基本分工（拟合非线性交互与将这种交互分解为主要效果和交互）。我不明白的是为什么te(x1, x2)而ti(x1) + ti(x2) + ti(x1, x2)可能产生（略）不同的结果。 MWE（改编自?ti）： require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f + rnorm(n)*0.2 par(mfrow = c(2,2)) # …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

已锁定。该问题及其答案被锁定，因为该问题是题外话，但具有历史意义。它目前不接受新的答案或互动。 我想为R中的这些数据创建一个图表（从CVS文件读取）： Experiment_Name MetricA MetricB Just_X 2 10 Just_X_and_Y 3 20 具有下图： 我是初学者，我也不知道该如何开始。

9 r  data-visualization  barplot 

我很难选择正确的方式来可视化数据。假设我们有一家书店出售书籍，每本书至少都有一个类别。 对于书店，如果我们计算书籍的所有类别，我们将获得一个直方图，该直方图显示属于该书店特定类别的书籍数量。 我想形象化书店的行为，我想看看他们是否喜欢某个类别而不是其他类别。我不想看看他们是否一起都喜欢科幻小说，但我想看看他们是否平等地对待每个类别。 我有约100万家书店。 我想到了4种方法： 采样数据，仅显示500家书店的直方图。使用10x10网格在5个单独的页面中显示它们。4x4网格的示例： 与＃1相同。但是这次根据它们的计数desc对x轴值进行排序，因此如果有帮助，就很容易看到。 想象一下将＃2中的直方图像一个甲板一样放在一起并以3D形式显示它们。像这样： 代替使用第三轴使用颜色来表示颜色，而是使用热图（2D直方图）： 如果通常书店偏爱某些类别而不是其他类别，它将以从左到右的漂亮渐变显示。 您还有其他表示多个直方图的可视化想法/工具吗？

9 pca  data-visualization  histogram  barplot