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Python开发中,HTTP请求是与外部服务交互的核心场景——调用第三方API、对接微服务、爬取数据等都离不开它。虽然requests库已 ...
2025-12-12在数据驱动决策中,“数据波动大不大”是高频问题——零售店长关心日销售额是否稳定,工厂管理者关注产品尺寸偏差是否可控,基金 ...
2025-12-12在CDA(Certified Data Analyst)数据分析师的能力矩阵中,数据查询语言(SQL)是贯穿工作全流程的“核心工具”。无论是从数据库 ...
2025-12-12很多小伙伴都在问CDA考试的问题,以下是结合 2025 年最新政策与行业动态更新的 CDA 数据分析师认证考试 Q&A,覆盖考试内容、报考 ...
2025-12-11在Excel数据可视化中,柱形图因直观展示数据差异的优势被广泛使用,而背景色设置绝非简单的“换颜色”——合理的背景色能突出核 ...
2025-12-11在科研实验、商业分析或医学研究中,我们常需要判断“两组数据的差异是真实存在,还是偶然波动”——比如“新降压药的效果是否优 ...
2025-12-11在CDA(Certified Data Analyst)数据分析师的工作体系中,数据库就像“数据仓库的核心骨架”——所有业务数据的存储、组织与提 ...
2025-12-11在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01