python可视化数据分析交互作用_R数据分析:双分类变量的交互作用作图
之前的双连续变量交互作用作图,和分类变量与连续变量的交互都给大家写了,今天给大家写写,两个分类变量的交互,及简单斜率图画法。
本文的例子为:
在研究导师类型和性别这个两个自变量学生GPA的影响时,我们想看一看导师类型和性别的交互作用,这个例子中,导师类型和性别都是分类变量。
数据模拟N
Q
G
Y
Y = (Y - min(Y)) / (max(Y) - min(Y))*4
GPA.Data.3
上面的代码就模拟出了个数据框,其中Q为导师类型,有3类,模拟的时候用的-1,0,1代替,性别用的0,1
接下来,我们得将分类变量转化为哑变量,R会自动将因子处理为哑变量,所以我们直接转为因子就行:GPA.Data.3$Tutor.F
level=c(-1,0,1),
labels=c("No Tutor", "Group Tutor", "Private Tutor"))
GPA.Data.3$Gender.F
level=c(0,1),
labels=c("Male", "Female"))
回归分析
然后我们进行回归分析,一个是有交互作用的,一个是不含交互作用的GPA.3.Model.1
GPA.3.Model.2
stargazer(GPA.3.Model.1, GPA.3.Model.2,type="html",
column.labels = c("Main Effects", "Interaction"),
intercept.bottom = FALSE,
single.row=TRUE,
notes.append = FALSE,
omit.stat=c("ser"),
star.cutoffs = c(0.05, 0.01, 0.001),
header=FALSE,
out="test.html")
运行代码得出回归分析的结果如下:
画简单斜率图
画斜率图的第一步依然是跑出每个子类的系数:Inter.GPA.3
se=TRUE)
Inter.GPA.3.DF
我们可以看一看每个子类的拟合系数长啥样:
上图就显示了,在两个自变量的不同水平fit值是不一样的,而且通过回归的交互项显著性分析,也是知道这个fit是有显著性差异的
接下来就开始画图:Inter.GPA.3.DF$Tutor.F
level=c("No Tutor", "Group Tutor", "Private Tutor"),
labels=c("No Tutor", "Group Tutor", "Private Tutor"))
Inter.GPA.3.DF$Gender.F
level=c("Male", "Female"),
labels=c("Male", "Female"))
Plot.GPA.3
geom_line(size=2, aes(color=Gender.F))+
geom_ribbon(aes(ymin=fit-se, ymax=fit+se,fill=Gender.F),alpha=.2)+
ylab("GPA")+
xlab("Tutor")+
ggtitle("Tutors and Gender as GPA Predictors")+
theme_bw()+
theme(text = element_text(size=12),
legend.text = element_text(size=12),
legend.direction = "horizontal",
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
legend.position="top")
Plot.GPA.3
到这儿,我们的简单斜率图就画好了,注意两自变量都是分类变量的时候,x轴上的自变量有3个水平,所以这个斜率图一般都不是直的,一般斜率在中间都会打个折。
小结
今天给大家写了双分类变量的交互以及简单斜率图的做法,感谢大家耐心看完。发表这些东西的主要目的就是督促自己,希望大家关注评论指出不足,一起进步。内容我都会写的很细,用到的数据集也会在原文中给出链接,你只要按照文章中的代码自己也可以做出一样的结果,一个目的就是零基础也能懂,因为自己就是什么编程基础没有从零学Python和R的,加油。数据分析问题咨询,代处理请私信。
python可视化数据分析交互作用_R数据分析:双分类变量的交互作用作图相关推荐
- python 可视化分析平台_python 数据分析数据可视化工具matplotlib
说明: 数据可视化中的数据集下载地址:(数据来源:从零开始学python数据分析和挖掘) 链接:https://pan.baidu.com/s/1zrNpzSNVHd8v1rGFRzKipQ 提取码: ...
- python可视化之matplotlib绘图--蜘蛛侠钢铁侠(组合分区绘图)
matplotlib绘图–本次图形涉及(并列)条形图.(堆积)柱状图.饼图.折线图.阶梯图.散点图.极线图.气泡图: 子区划分:subplots().gridspec().add_axes(). py ...
- python显示数据长度_Python数据分析之初识可视化
一.数据可视化概述 数据可视化是在整个数据分析非常重要的一个辅助工具,可以清晰的理解数据,从而调整我们的分析方法. - 能将数据进行可视化,更直观的呈现 - 使数据更加客观.更具说服力 例如下面两个图 ...
- python新冠病毒COVID-19数据分析和数据可视化
在全球范围内,截至2021 年 11 月 15 日欧洲中部时间下午 4:30,各国已向世卫组织报告了253,163,330(2.5亿)例COVID-19确诊病例,包括5,098,174(5百万)例死亡 ...
- 【大数据分析毕设之基于python爬虫的旅游大数据分析可视化系统】
[大数据分析毕设之基于python爬虫的旅游大数据分析可视化系统-哔哩哔哩] https://b23.tv/z2OUTkp flask web框架,数据使用selenium模块爬取携程网获取数据,使用 ...
- 【大数据分析专业毕设之基于python的手机销售大数据分析可视化系统】
[大数据分析专业毕设之基于python的手机销售大数据分析可视化系统] https://b23.tv/FKuPbsv flask web框架,数据使用requests模块爬取https://www.j ...
- Python可视化数据分析03、jieba【分词】
Python可视化数据分析03.jieba[分词]
- Python可视化数据分析02、Scrapy框架-强化测试Scrapy-CSS
Python可视化数据分析02.Scrapy框架
- Python的网易云音乐数据分析系统 爬虫 echarts可视化 Flask框架 音乐推荐系统 源码下载
Python的网易云音乐数据分析系统 爬虫 echarts可视化 Flask框架 音乐推荐系统 一.技术说明 网易云音乐数据(歌单.用户.歌词.评论)Python爬取Flask框架搭建ECharts. ...
- Python可视化数据分析10、Matplotlib库
Python可视化数据分析10.Matplotlib库
最新文章
- 考研最惨专业排行榜,你上榜了吗?
- shell的执行流控制
- 全栈Python 必备库
- hadoop 传感器数据_读取模式错误,计算引擎操作复杂……面对Hadoop这些问题该如何应对?...
- HttpRuntime.Cache的使用经验
- flex 连接mysql数据库_Flex+blazeds实现与mySQL数据库的连接(已成功实现此文的例子)...
- 热血传奇客户端wil文件中文含义详解
- Centos升级Chrome浏览器
- 名编辑电子杂志大师教程 | 怎样给电子画册设置目录?
- 三级数据库知识点学习(五)
- VS开发工具的常用插件
- matlab实现直方图规定化
- 22个免费的图表、流程图工具
- java读取excel2010文件_java的poi技术读取Excel[2003-2007,2010]
- php购物车登录用cookie,php利用cookies实现购物车的方法_PHP
- in a future version of numpy, it will be understood as (type, (1,))
- onenote | 下载安装使用
- Verilog奇偶分频电路的总结
- Agile-bpm工作流
- 第四次作业--4则运算
热门文章
- 【Python实战】 ---- 批量图片压缩
- 怎样从一个手机上安两个不同版本的软件_怎么在一部手机上安装两个不同版本的微信?...
- SO – Shipping – Move Order Staus: BackOrder – 做搬运无法移仓
- 盗火:硅谷、海豹突击队和疯狂科学家如何变革我们的工作和生活
- 数据归档神器-pt-archiver
- 艾森豪威尔法则(四象限法则)
- Denoise Autoencoder
- Linux如何关闭自动锁屏
- 成都链安科技CEO 创始人杨霞:解决智能合约的安全问题,形式化验证是个“利器”!
- IE8 Automation 服务器不能创建对象 解决方法