京公网安备 11010802034615号
经营许可证编号:京B2-20210330
SPSS Syntax中的常用函数
SPSS函数是一个常用程序(rountine),并且利用一个或多个自变量(参数)来执行。每个SPSS函数均有一个关键名称(keywordname),且绝不能写错。通常,函数的格式为:函数名称(自变量,自变量,……),某些函数可能只含有一个自变量,而有些函数则可能含有多个自变量,当一个函数含有多个自变量时,各自变量间用逗号(,)隔开,而函数的自变量通常又可分为以下三种:1)常数,如SQRT(100):2)变量名称,如MEAN(VAR1,VAR2,VAR3);3)表达式,如MIN(30,SQRT(100))。总之,SPSS函数和我们平时EXCEL里面函数格式规则并无差别。
SPSS提供了180多种函数,共可分为十多类(SPSS 17.0中大大小小分了18类)。和EXCEL一样,我们也不可能记住所有函数,只要知道一些常用函数,至于其他函数要用的时候再去查找也不迟,下面本人将列举一些常用函数:
(一)算术函数
|
函数 |
说明 |
范例(x=2.6,y=3) |
|
ABS(numbexpr) |
绝对值函数 |
ABS(y-x)=0.4 |
|
RND(numbexpr) |
四舍五入函数 |
RND(x)=3 |
|
TRUNC(numbexpr) |
取整函数 |
TRUNC(x)=2 |
|
SORT(numbexpr) |
平方根函数 |
SQRT(y)=1.71 |
|
MOD(numbexpr,modulus) |
求算两数相除后的余数 |
MOD(y,x)=0.4 |
|
EXP(numbexpr) |
以e为底的指数函数 |
EXP(y)=20.09 |
|
LG10(numbexpr) |
以10底的对数函数 |
LG10(x*10)=1.41 |
|
LN(numbexpr) |
自然对数函数 |
LN(y)=1.1 |
(二)统计函数
|
函数 |
说明 |
范例(X1=2,X2=5,X3=8) |
|
MEAN(numexpr,numexpr,…) |
自变量的平均值 |
MEAN(X1,X2,X3)=5 |
|
MIN(value, value,…) |
自变量的最小值 |
MIN(X1,X2,X3)=1 |
|
MAX(value, value,…) |
自变量的最大值 |
MAX(X1,X2,X3)=8 |
|
SUM(numexpr,numexpr,…) |
求和 |
SUM(X1,X2,X3)=15 |
|
SD(numexpr,numexpr,…) |
求标准差 |
SD(X1,X2,X3)=3 |
|
VARIANCE(numexpr,numexpr,…) |
求方差 |
VAR(X1,X2,X3)=9 |
|
CFVAR(numexpr,numexpr,…) |
求变异系数 |
CFVAR(X1,X2,X3)=0.6 |
(三) 缺失值函数
|
函数 |
说明 |
范例 |
|
MISSING(variable) |
若变量缺失,则为T或1,否则为F或0 |
MISSING(X1)=1 MISSING(X2)=1 MISSING(X3)=0 |
|
SYSMIS(numvar) |
若变量是系统缺失值则为T或1,如为自定缺失或非缺失则为F或0 |
SYSMIS(X1)=0 SYSMIS(X2)=1 SYSMIS(X3)=0 |
|
NMISS(variable,…) |
缺失值个数 |
NMISS(X1,X2,X3)=2 |
|
NVALID(variable,…) |
有效值个数 |
NVALID(X1,X2,X3)=1 |
|
VALUE(variable,…) |
忽略自定义缺失值,当作非缺失 |
VALUE(X1)=X1 |
注:X1为使用者界定缺失值,X2为系统缺失值,X3为非缺失值
(四)字符串型函数
|
函数 |
说明 |
范例 |
|
ANY(test,value,value) |
若自变量1和后面自变量窜相同则为真,记为1 |
ANY(is, this)=0 ANY(is,this,is)=1 |
|
CONCAT(strexpr,strexpr) |
将自变量连成一个新自变量 |
CONCAT(th,is)=this |
|
INDEX(haystack,needle,divisor) |
Divisor在needle最左侧开始出现的位置 |
INDEX(‘this is’,’is’)=3 |
|
LENGTH(strexpr) |
自变量所含文字的个数(包括特殊字符和空格) |
LENGTH(‘th is’)=5 |
|
LOWER(strexpr) |
自变量中的大写字母改为小写字母 |
LOWER(‘This’)=’this’ |
|
UPCASE(strexpr) |
将自变量中的小写字母改为大写字母 |
UPCASE(‘this’)=’THIS’ |
|
LTRIM(strexpr,char) |
在strexpr开始处去除char所形成的常量,如无char则去除strexpr左侧的空格 |
LTRIM(‘this’,’t’)=’his’ LTRIM(‘this’,’is’)=’th’ LTRIM(‘ this’)=’this’ |
|
NUMBER (strexpr,format) |
当自变量为数字的文字变量时,按文字变量指定格式转换为数字变量 |
NUMBER(‘23’,F8.1)=2.3 NUMBER(‘23’,F8.0)=23 |
|
RANGE(test,lo,hi,lo,hi) |
如果自变量1的值包含在自变量集lo至hi的范围内,则为T或1 |
RANGE(‘c’,’a’,’k’)=T |
|
STRING(strexpr,format) |
按指定格式将自变量转换为文字型变量 |
STRING(3+4,F8.2)=’7.00’ |
|
SUBSTR(sterxpr,pos,length) |
从strexpr子窜的第pos位置开始取length的字符串长度 |
SUBSTR(‘this is’,6,2)=’is’ |
(五)时间日期函数
|
函数 |
说明 |
范例 |
|
DATA.DMY(d,m,y) |
与指定日月年对应的日期 |
DATA.DMY(3,5,99)=05/03/99 |
|
DATA.MDY(m,d,y) |
与指定月日年对应的日期 |
DATA.MDY(5,3,99)=05/03/99 |
|
DATA.YRDA(y,d) |
与指定年日对应的日期 |
DATA.YRDA(99,35)=02/04/99 |
|
DATA.QYR(q,y) |
指定的季节年份对应的日期 |
DATA.QYR(2,99)=04/01/99 |
|
DATA.MOYR(m,y) |
与指定的月年度对应的日期 |
DATA.MOYR(5,99)=05/01/99 |
|
DATA.WKYR(w,y) |
与指定的周年度对应的日期 |
DATA.WKYR(38,98)=9/17/98 |
注:1 要正确显示以上函数值,必须先赋予其SPSS得日期型变量(DATA)格式,假设以上日期用mm/dd/yy格式显示,时间则用hh:mm:ss格式表示
2 1<=d<=31、1<=m<=12、1<=w<=52、1<=q<=4
(六)其他函数
SPSS除了上述函数外,尚有日期和时间转换函数(YOMODA\CTMIESDAYS\CTIMEHOURS\MDAYS等)、连续几率密度函数(CDF\BINOM\CHISQ\CDF\EXP\LOGISTIC等),此外还有NORMAL(stddev)可产生平均数为0,标准差为stddev的正态分布随机数字。UNIFORM(max)可产生平均数为0与max间呈均等分布的随机数字。
PS:还可以像EXCEL一样利用脚本编写自定义函数,目前SPSS支持python,Sax Basic(一种与VB兼容的编程语言)等语言,利用new--script可编写出自己需要的函数。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27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