京公网安备 11010802034615号
经营许可证编号:京B2-20210330
解析spss常用程序
1、读入数据的程序:
DATA LIST LIST
/id (F3) Interview_date (ADATE10) Age (F3) Gender (A1)
Income_category (F1) Religion (F1) opinion1 to opinion4 (4F1).
解释:要读入数据的变量,例如:id为变量名,后面的(F3)表示数字型的程度为3(可根据需要设计),依次类推A1表示字符的长度为1
BEGIN DATA(开始读入数据)
150 11/1/2002 55 m 3 4 5 1 3 1
272 10/24/02 25 f 3 9 2 3 4 3
299 10-24-02 900 f 8 4 2 9 3 4
227 10/29/2002 62 m 9 4 2 3 5 3
216 10/26/2002 39 F 7 3 9 3 2 1
228 10/30/2002 24 f 4 2 3 5 1 5
333 10/29/2002 30 m 2 3 5 1 2 3
385 10/24/2002 23 m 4 4 3 3 9 2
170 10/21/2002 29 f 4 2 2 2 2 5
391 10/21/2002 58 m 1 3 5 1 5 3
END DATA.(结束读入)
2、对变量添加名称(简单的说就是数据库中变量的意思是什么?)
VARIABLE LABELS
Interview_date "Interview date"
Income_category "Income category"
opinion1 "Would buy this product"
opinion2 "Would recommend this product to others"
opinion3 "Price is reasonable"
opinion4 "Better than a poke in the eye with a sharp stick".
解析:
VARIABLE LABELS
变量名( Interview_date ) 要赋予的变量名称(Interview date)
3、为变量中的数值添加lable
VALUE LABELS
Gender "m" "Male" "f" "Female"(对字符型赋值)
/Income_category 1 "Under 25K" 2 "25K to 49K" 3 "50K to 74K" 4 "75K+"
7 "Refused to answer" 8 "Don't know" 9 "No answer"
/Religion 1 "Catholic" 2 "Protestant" 3 "Jewish" 4 "Other" 9 "No answer"
/opinion1 TO opinion4 1 "Strongly Disagree" 2 "Disagree" 3 "Ambivalent"
4 "Agree" 5 "Strongly Agree" 9 "No answer".
解析:
VALUE LABELS
Gender "m" "Male" "f" "Female"(对字符型赋值Gernder表示要赋值的变量名,比如运行以后表示“F”代表female,“M”表示Male)
数据型的:Income_category 1 "Under 25K" 2 "25K to 49K" 3 "50K to 74K" 4 "75K+"(对数值型赋值,Income_category 表示要赋值的变量名,比如运行以后表示1代表Under 25K,2表示25K to 49K,依次类推)
4、缺失值处理:
MISSING VALUES
Income_category (7, 8, 9)
Religion opinion1 TO opinion4 (9).
解析:MISSING VALUES Income_category (7, 8, 9)(表示将Income_category变量中的7\8\9认为是缺失值,可根据自己的目的处理,自行修改)
5、修改变量的类型:
VARIABLE LEVEL
Income_category, opinion1 to opinion4 (ORDINAL)
Religion (NOMINAL).
6、检查
DISPLAY DICTIONARY.(运行即可,看见数据库的所有信息)
解析:VARIABLE LEVEL Income_category, opinion1 to opinion4 (ORDINAL)(表示把Income_category,opinion1 to opinion4的变量改为定序变量)可根据分析的进行修改
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16