คำถามติดแท็ก barplot

ทั้งพล็อตแบบ box-and-มัสสุและกราฟแท่งเป็นกราฟฟิคที่เหมาะสมสำหรับ ANOVA ตาม The R Book (Crawley, 2013) แต่สิ่งใดที่เหมาะสมกว่า ? ฉันคิดว่ามันขึ้นอยู่กับสถานการณ์ ... ใครช่วยฉันได้บ้าง

14 boxplot  rule-of-thumb  barplot 

ปิด. คำถามนี้เป็นคำถามปิดหัวข้อ ไม่ยอมรับคำตอบในขณะนี้ ต้องการปรับปรุงคำถามนี้หรือไม่ อัปเดตคำถามเพื่อให้เป็นไปตามหัวข้อสำหรับการตรวจสอบข้าม ปิดให้บริการใน4 ปีที่แล้ว ฉันต้องการพล็อตกราฟแท่งสี่แท่งบนกราฟเดี่ยวในอาร์ฉันใช้รหัสต่อไปนี้ ในที่นี้จะรักษาตำนานไว้บนกราฟได้อย่างไรโดยเฉพาะตำนานควรอยู่ระหว่าง 2 และ 3 barplots ฉันลองด้วยpar(mar=c(4.1,4.1,8.1,4.1)แต่ก็ไม่ประสบความสำเร็จ ยิ่งไปกว่านั้นฉันยังพยายามวิ่งlegend()ตามบาร์ปล็อตที่สอง แต่ไม่มีประโยชน์ ตำนานสำหรับทั้งสี่ barplots โปรดช่วยฉันในเรื่องนี้ 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 

ฉันพยายามนึกภาพพล็อตที่เหมาะสมสำหรับการสังเกตในตารางวิธีการนี้และค่าเบี่ยงเบนมาตรฐานของคะแนนการเรียกคืน: จำควบคุมMean37SD8การทดลองMean21SD6ควบคุมการทดลองMeanSDMeanSDจำ378216\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} อะไรคือวิธีที่ดีที่สุดในการทำเช่นนั้น? แผนภูมิแท่งเป็นวิธีที่ดีหรือไม่ ฉันจะอธิบายค่าเบี่ยงเบนมาตรฐานในกรณีนั้นได้อย่างไร

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

mgcvแพคเกจสำหรับการRมีสองฟังก์ชั่นสำหรับการปฏิสัมพันธ์กระชับเมตริกซ์ผลิตภัณฑ์: และte() ti()ฉันเข้าใจการแบ่งขั้นพื้นฐานของการใช้แรงงานระหว่างคนทั้งสอง (ปรับให้เหมาะสมกับการทำงานแบบไม่เป็นเชิงเส้นเปรียบเทียบกับการย่อยสลายการโต้ตอบนี้เป็นผลกระทบหลักและการโต้ตอบ) สิ่งที่ฉันไม่เข้าใจคือสาเหตุte(x1, x2)และti(x1) + ti(x2) + ti(x1, x2)อาจให้ผลลัพธ์ที่แตกต่าง (เล็กน้อย) MWE (ดัดแปลงมาจาก?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 …

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 

ล็อคแล้ว คำถามและคำตอบของคำถามนี้ถูกล็อคเนื่องจากคำถามอยู่นอกหัวข้อ แต่มีความสำคัญทางประวัติศาสตร์ ขณะนี้ไม่ยอมรับคำตอบหรือการโต้ตอบใหม่ ฉันต้องการสร้าง bardiagram สำหรับข้อมูลเหล่านี้ใน R (อ่านจากไฟล์ CVS): Experiment_Name MetricA MetricB Just_X 2 10 Just_X_and_Y 3 20 ที่จะมีแผนภาพต่อไปนี้: ฉันเป็นผู้เริ่มต้นและฉันไม่รู้ว่าจะเริ่มต้นอย่างไร

9 r  data-visualization  barplot 

ฉันมีปัญหาในการเลือกวิธีที่ถูกต้องในการมองเห็นข้อมูล สมมติว่าเรามีร้านหนังสือที่ขายหนังสือและหนังสือทุกเล่มที่มีอย่างน้อยหนึ่งหมวดหมู่ สำหรับร้านหนังสือถ้าเรานับหมวดหนังสือทั้งหมดเราจะได้ฮิสโตแกรมที่แสดงจำนวนหนังสือที่จัดอยู่ในหมวดหมู่เฉพาะสำหรับร้านหนังสือนั้น ฉันต้องการเห็นภาพพฤติกรรมของร้านหนังสือฉันต้องการดูว่าพวกเขาชอบหมวดหมู่มากกว่าหมวดหมู่อื่นหรือไม่ ฉันไม่ต้องการดูว่าพวกเขานิยม sci-fi ทั้งหมดหรือไม่ แต่ฉันต้องการดูว่าพวกเขาปฏิบัติต่อทุกหมวดหมู่อย่างเท่าเทียมกันหรือไม่ ฉันมีร้านหนังสือประมาณ 1 ล้าน ฉันคิดถึงวิธีการ 4 วิธี: ตัวอย่างข้อมูลแสดงฮิสโตแกรมของร้านหนังสือเพียง 500 แสดงใน 5 หน้าแยกโดยใช้ตาราง 10x10 ตัวอย่างของตาราง 4x4: เหมือนกับ # 1 แต่คราวนี้จัดเรียงค่าแกน x ตามจำนวนนับของพวกเขาดังนั้นหากมีความนิยมมันจะเห็นได้ง่าย ลองนึกภาพการใส่ฮิสโตแกรมใน # 2 เข้าด้วยกันเหมือนสำรับและแสดงมันในแบบ 3 มิติ บางสิ่งเช่นนี้ แทนที่จะใช้สีแกนที่สามฟ้องร้องเพื่อเป็นตัวแทนของสีดังนั้นการใช้แผนที่ความร้อน (2D ฮิสโตแกรม): ถ้าโดยทั่วไปร้านหนังสือต้องการบางหมวดหมู่ให้ผู้อื่นมันจะแสดงเป็นไล่ระดับสีที่ดีจากซ้ายไปขวา คุณมีแนวคิด / เครื่องมือสร้างภาพอื่น ๆ เพื่อเป็นตัวแทนของฮิสโตแกรมหลายรายการหรือไม่?

9 pca  data-visualization  histogram  barplot