python数据统计分析

2023-02-26 14:07:02Python015

python数据统计分析,第1张

1. 常用函数库

scipy包中的stats模块和statsmodels包是python常用的数据分析工具，scipy.stats以前有一个models子模块，后来被移除了。这个模块被重写并成为了现在独立的statsmodels包。

scipy的stats包含一些比较基本的工具，比如：t检验，正态性检验，卡方检验之类，statsmodels提供了更为系统的统计模型，包括线性模型，时序分析，还包含数据集，做图工具等等。

2. 小样本数据的正态性检验

(1) 用途

夏皮罗维尔克检验法 (Shapiro-Wilk) 用于检验参数提供的一组小样本数据线是否符合正态分布，统计量越大则表示数据越符合正态分布，但是在非正态分布的小样本数据中也经常会出现较大的W值。需要查表来估计其概率。由于原假设是其符合正态分布，所以当P值小于指定显著水平时表示其不符合正态分布。

正态性检验是数据分析的第一步，数据是否符合正态性决定了后续使用不同的分析和预测方法，当数据不符合正态性分布时，我们可以通过不同的转换方法把非正太态数据转换成正态分布后再使用相应的统计方法进行下一步操作。

(2) 示例

(3) 结果分析

返回结果 p-value=0.029035290703177452，比指定的显著水平（一般为5%）小，则拒绝假设：x不服从正态分布。

3. 检验样本是否服务某一分布

(1) 用途

科尔莫戈罗夫检验(Kolmogorov-Smirnov test)，检验样本数据是否服从某一分布，仅适用于连续分布的检验。下例中用它检验正态分布。

(2) 示例

(3) 结果分析

生成300个服从N(0,1)标准正态分布的随机数，在使用k-s检验该数据是否服从正态分布，提出假设：x从正态分布。最终返回的结果，p-value=0.9260909172362317，比指定的显著水平（一般为5%）大，则我们不能拒绝假设：x服从正态分布。这并不是说x服从正态分布一定是正确的，而是说没有充分的证据证明x不服从正态分布。因此我们的假设被接受，认为x服从正态分布。如果p-value小于我们指定的显著性水平，则我们可以肯定地拒绝提出的假设，认为x肯定不服从正态分布，这个拒绝是绝对正确的。

4.方差齐性检验

(1) 用途

方差反映了一组数据与其平均值的偏离程度，方差齐性检验用以检验两组或多组数据与其平均值偏离程度是否存在差异，也是很多检验和算法的先决条件。

(2) 示例

(3) 结果分析

返回结果 p-value=0.19337536323599344, 比指定的显著水平（假设为5%）大，认为两组数据具有方差齐性。

5. 图形描述相关性

(1) 用途

最常用的两变量相关性分析，是用作图描述相关性，图的横轴是一个变量，纵轴是另一变量，画散点图，从图中可以直观地看到相关性的方向和强弱，线性正相关一般形成由左下到右上的图形；负面相关则是从左上到右下的图形，还有一些非线性相关也能从图中观察到。

(2) 示例

(3) 结果分析

从图中可以看到明显的正相关趋势。

6. 正态资料的相关分析

(1) 用途

皮尔森相关系数（Pearson correlation coefficient）是反应两变量之间线性相关程度的统计量，用它来分析正态分布的两个连续型变量之间的相关性。常用于分析自变量之间，以及自变量和因变量之间的相关性。

(2) 示例

(3) 结果分析

返回结果的第一个值为相关系数表示线性相关程度，其取值范围在[-1,1]，绝对值越接近1，说明两个变量的相关性越强，绝对值越接近0说明两个变量的相关性越差。当两个变量完全不相关时相关系数为0。第二个值为p-value，统计学上，一般当p-value<0.05时，可以认为两变量存在相关性。

7. 非正态资料的相关分析

(1) 用途

斯皮尔曼等级相关系数(Spearman’s correlation coefficient for ranked data )，它主要用于评价顺序变量间的线性相关关系，在计算过程中，只考虑变量值的顺序（rank, 值或称等级），而不考虑变量值的大小。常用于计算类型变量的相关性。

(2) 示例

(3) 结果分析

返回结果的第一个值为相关系数表示线性相关程度，本例中correlation趋近于1表示正相关。第二个值为p-value，p-value越小，表示相关程度越显著。

8. 单样本T检验

(1) 用途

单样本T检验，用于检验数据是否来自一致均值的总体，T检验主要是以均值为核心的检验。注意以下几种T检验都是双侧T检验。

(2) 示例

(3) 结果分析

本例中生成了2列100行的数组，ttest_1samp的第二个参数是分别对两列估计的均值，p-value返回结果，第一列1.47820719e-06比指定的显著水平（一般为5%）小，认为差异显著，拒绝假设；第二列2.83088106e-01大于指定显著水平，不能拒绝假设：服从正态分布。

9. 两独立样本T检验

(1) 用途

由于比较两组数据是否来自于同一正态分布的总体。注意：如果要比较的两组数据不满足方差齐性，需要在ttest_ind()函数中添加参数equal_var = False。

(2) 示例

(3) 结果分析

返回结果的第一个值为统计量，第二个值为p-value，pvalue=0.19313343989106416，比指定的显著水平（一般为5%）大，不能拒绝假设，两组数据来自于同一总结，两组数据之间无差异。

10. 配对样本T检验

(1) 用途

配对样本T检验可视为单样本T检验的扩展，检验的对象由一群来自正态分布独立样本更改为二群配对样本观测值之差。它常用于比较同一受试对象处理的前后差异，或者按照某一条件进行两两配对分别给与不同处理的受试对象之间是否存在差异。

(2) 示例

(3) 结果分析

返回结果的第一个值为统计量，第二个值为p-value，pvalue=0.80964043445811551，比指定的显著水平（一般为5%）大，不能拒绝假设。

11. 单因素方差分析

(1) 用途

方差分析(Analysis of Variance，简称ANOVA)，又称F检验，用于两个及两个以上样本均数差别的显著性检验。方差分析主要是考虑各组之间的平均数差别。

单因素方差分析（One-wayAnova），是检验由单一因素影响的多组样本某因变量的均值是否有显著差异。

当因变量Y是数值型，自变量X是分类值，通常的做法是按X的类别把实例成分几组，分析Y值在X的不同分组中是否存在差异。

(2) 示例

(3) 结果分析

返回结果的第一个值为统计量，它由组间差异除以组间差异得到，上例中组间差异很大，第二个返回值p-value=6.2231520821576832e-19小于边界值（一般为0.05）,拒绝原假设, 即认为以上三组数据存在统计学差异，并不能判断是哪两组之间存在差异。只有两组数据时，效果同 stats.levene 一样。

12. 多因素方差分析

(1) 用途

当有两个或者两个以上自变量对因变量产生影响时，可以用多因素方差分析的方法来进行分析。它不仅要考虑每个因素的主效应，还要考虑因素之间的交互效应。

(2) 示例

(3) 结果分析

上述程序定义了公式，公式中，"~"用于隔离因变量和自变量，”+“用于分隔各个自变量， ":"表示两个自变量交互影响。从返回结果的P值可以看出，X1和X2的值组间差异不大，而组合后的T:G的组间有明显差异。

13. 卡方检验

(1) 用途

上面介绍的T检验是参数检验，卡方检验是一种非参数检验方法。相对来说，非参数检验对数据分布的要求比较宽松，并且也不要求太大数据量。卡方检验是一种对计数资料的假设检验方法，主要是比较理论频数和实际频数的吻合程度。常用于特征选择，比如，检验男人和女人在是否患有高血压上有无区别，如果有区别，则说明性别与是否患有高血压有关，在后续分析时就需要把性别这个分类变量放入模型训练。

基本数据有R行C列, 故通称RC列联表(contingency table), 简称RC表，它是观测数据按两个或更多属性（定性变量）分类时所列出的频数表。

(2) 示例

(3) 结果分析

卡方检验函数的参数是列联表中的频数，返回结果第一个值为统计量值，第二个结果为p-value值，p-value=0.54543425102570975，比指定的显著水平（一般5%）大，不能拒绝原假设，即相关性不显著。第三个结果是自由度，第四个结果的数组是列联表的期望值分布。

14. 单变量统计分析

(1) 用途

单变量统计描述是数据分析中最简单的形式，其中被分析的数据只包含一个变量，不处理原因或关系。单变量分析的主要目的是通过对数据的统计描述了解当前数据的基本情况，并找出数据的分布模型。

单变量数据统计描述从集中趋势上看，指标有：均值，中位数，分位数，众数；从离散程度上看，指标有：极差、四分位数、方差、标准差、协方差、变异系数，从分布上看，有偏度，峰度等。需要考虑的还有极大值，极小值（数值型变量）和频数，构成比（分类或等级变量）。

此外，还可以用统计图直观展示数据分布特征，如：柱状图、正方图、箱式图、频率多边形和饼状图。

15. 多元线性回归

(1) 用途

多元线性回归模型（multivariable linear regression model ），因变量Y（计量资料）往往受到多个变量X的影响，多元线性回归模型用于计算各个自变量对因变量的影响程度，可以认为是对多维空间中的点做线性拟合。

(2) 示例

(3) 结果分析

直接通过返回结果中各变量的P值与0.05比较，来判定对应的解释变量的显著性，P<0.05则认为自变量具有统计学意义，从上例中可以看到收入INCOME最有显著性。

16. 逻辑回归

(1) 用途

当因变量Y为2分类变量（或多分类变量时）可以用相应的logistic回归分析各个自变量对因变量的影响程度。

(2) 示例

(3) 结果分析

直接通过返回结果中各变量的P值与0.05比较，来判定对应的解释变量的显著性，P<0.05则认为自变量具有统计学意义。

方法1:

自己写一个线性回归

方法2:

用numpy.linalog.lstsq（如果是最小方差的话是这个，其余的也在包里找就好了）

方法3:

用其它C的线性计算库的py封装（或者自己封装一下），例如lapack，blas之类的…

关注

当影响因变量的因素是多个时候，这种一个变量同时与多个变量的回归问题就是多元回归，分为：多元线性回归和多元非线性回归。这里直说多元线性回归。对比一元线性回归：

1.1多元回归模型：

y=β0+β1x1+β2x2+…+βkxk+ε

1.2多元回归方程

E(y)=β0+β1x1+β2x2+…+βkxk

1.3估计的多元回归方程

y^=β0^+β1^x1+β2^x2+…+βk^xk

2.1**对参数的最小二乘法估计：**

和一元线性回归中提到的最小二乘法估计一样、这不过这里的求导变量多了点、原理是一样的、这里需要借助计算机求导、就不写了。

3 回归方程的拟合优度：

3.1 多重判定系数：(Multiple coefficient of determination)

R2=SSRSST=1−SSESST

注解：

(1 ) 对于多重判定系数有一点特别重要的需要说明：自变量个数的增加将影响到因变量中被估计的回归方程所解释的变量数量。当增加自变量时，会使预测误差变得较小，从而减小残差平方和 SSESSE。自然就会是 SSRSSR变大。自然就会是 R2R2变大。这就会引发一个问题。如果模型中增加一个自变量，即使这个自变量在统计上并不显著， R2R2的值也会变大。因此为了避免这个问题。提出了调整的多种判定系数(adjusted multiple coefficient of determination):

R2a=1−(1−R2)(n−1n−k−1)

Ra2=1−(1−R2)(n−1n−k−1)

R2aRa2 同时考虑了样本量 (n)(n) 和模型中自变量的个数 (k)(k) 的影响，这就使得 R2aRa2 的值永远小于 R2R2，而且 R2aRa2 的值不会因为模型中自变量的个数增多而逐渐接近于 11.

(2 ) R2R2 的平方根成为多重相关系数，也称为复相关系数，它度量了因变量同 kk 个自变量的相关程度。

3.2 估计标准误差

同一元线性回归一样，多元回归中的估计标准误差也是误差项 εε 的方差 σ2σ2 的一个估计值，

se=SSEn−k−1−−−−−−−−√=MSE−−−−−√

se=SSEn−k−1=MSE

4. 显著性检验

在此重点说明，在一元线性回归中，线性关系的检验 (F检验)(F检验) 和回归系数的检验 (t检验)(t检验) 是等价的。但是在多元回归中，线性关系的检验主要是检验因变量同多个自变量线性关系是否显著，在 kk 个自变量中，只要有一个自变量与因变量的线性关系显著， F检验F检验就能通过，但这不一定意味着每个自变量与因变量的关系都显著。回归系数检验则是对每个回归系数分别进行单独的检验，它主要用于检验每个自变量对因变量的影响是否都显著。如果某个自变量没有通过检验，就意味着这个自变量对因变量的影响不显著，也许就没有必要将这个自变量放进回归模型中。

4.1 线性关系的检验

步骤：

（1）：提出假设

H0:β1=β2=…=βk=0

H1:β1,β2,…=βk至少有一个不等于0

（2）：计算检验的统计量F.

F=SSR/kSSE/(n−k−1)≈F(k,n−k−1)

（3）：作出统计决策。

4.2 线性关系的检验

步骤：

（1）：提出假设

H0:βi=0

H1:βi≠0

（2）：计算检验的统计量F.

ti=βi^sβi^≈t(n−k−1)

（3）：作出统计决策。

5.1 多重共线性

多重共线性：当回归模型中两个或两个以上的变量彼此相关时，则称回归模型中存在多重共线性。

多重共线性的判别：

（1）模型中中各对自变量之间显著相关

（2）当模型的线性关系检验 (F检验)(F检验) 显著时，几乎所有的回归系数 βiβi 的 tt 检验却不显著。

（3）回归系数的正负号与预期的相反。

（4）容忍度(tolerance) 与方差扩大因子(variance inflation factor, VIF).

容忍度：某个变量的容忍度等于 1 减去该自变量为因变量而其他 k−1k−1 个自变量为预测变量时所得到的线性回归模型的判定系数。即 1−R2i1−Ri2。容忍度越小，多重共线性越严重。通常认为容忍度小于 0.1 时，存在严重的多重共线性。

方差扩大因子：容忍度的倒数。因此，VIFVIF 越大，多重共线性越严重，一般认为 VIFVIF 的值大于10时，存在严重的多重共线性。

5.2 多重共线性的处理

常见的两种办法：

（1）将一个或多个相关的自变量从模型中剔除，使保留的自变量尽可能不相关。

（2）如果要在模型中保留所有的自变量，那么应该：

（2.1）避免根据 tt统计量对单个参数 ββ 进行检验，

（2.2）对因变量 yy 值的推断（预测和估计）限定在自变量样本值的范围内。

5.3选择变量避免共线性的几种方式，

在建立回归模型时，我们总是希望用最少的变量来说明问题，选择自变量的原则通常是对统计量进行显著性检验，检验的根据是：将一个或一个以上的自变量引入回归模型中时，是否使残差平方和 (SSE)(SSE) 显著减少，如果增加一个自变量使残差平方和 (SSE)(SSE) 显著减少，则说明有必要将这个变量引入回归模型中，否则，没有必要将这个变量引入回归模型中。确定在模型中引入自变量 xixi 是否使残差平方和 (SSE)(SSE) 显著减少的方法，就是使用 FF 统计量的值作为一个标准，以此来确定在模型中增加一个自变量，还是从模型中剔除一个自变量。

变量选择方式：

5.3.1 向前选择

第一步：对 kk 个自变量分别与因变量 yy 的一元线性回归模型，共有 kk 个，然后找到 FF 统计量的值最大的模型及其自变量 xixi 并将其首先引入模型。

第二步：在已经引入模型的 xixi 的基础上，再分别拟合 xixi 与模型外的 k−1k−1 个自变量的线性回归模型，挑选出 FF 值最大的含有两个自变量的模型，依次循环、直到增加自变量不能导致 SSESSE 显著增加为止，

5.3.2向后剔除

第一步：先对所有的自变量进行线性回归模型。然后考察 p<kp<k 个去掉一个自变量的模型，使模型的SSE值减小最少的自变量被挑选出来从模型中剔除，

第二步：考察 p−1p−1 个再去掉一个自变量的模型，使模型的SSE值减小最少的自变量被挑选出来从模型中剔除，直到剔除一个自变量不会使SSE值显著减小为止，这时，模型中的所剩自变量自然都是显著的。

5.3.3逐步回归

是上面两个的结合、考虑的比较全，以后就用这个就可以。

具体的分析过程、咱们以spss的多元回归分析结果为例。

文章知识点与官方知识档案匹配

算法技能树首页概览

31292 人正在系统学习中

点击阅读全文

打开CSDN，阅读体验更佳

线性回归与非线性回归分析简明教程（python版）-全程干货无废话

本课程主要讲述如何使用python进行线性回归与非线性回归分析，包括： <ul><li>基于statsmodel的线性回归方法 </li><li>基于sklearn的线性回归方法 </li><li>基于Numpy的一元多项式非线性回归方法 </li><li>基于sklearn的多元多项式非线性回归方法 </li><li>基于scipy的通用曲线拟合非线性回归方法 </li></ul>

继续访问

最新发布判别分析在SPSS上的实现与结果分析——基于SPSS实验报告

已知分组类别，判断样本的类别

继续访问

多元回归分析（实例，讲解，详实）.doc

非常好的多元回归分析资料。多元回归分析原理回归分析是一种处理变量的统计相关关系的一种数理统计方法。回归分析的基本思想是: 虽然自变量和因变量之间没有严格的、确定性的函数关系, 但可以设法找出最能代表它们之间关系的数学表达形式。

SPSS多元回归分析实例

用SPSS 在大多数的实际问题中，影响因变量的因素不是一个而是多个，我们称这类回问题为多元回归分析。可以建立因变量y与各自变量xj(j=1,2,3,…,n)之间的多元线性回归模型

SPSS的线性回归分析

使用SPSS软件进行线性回归分析，包括回归分析概述线性回归分析回归方程的统计检验多元回归分析中的其他问题线性回归分析的基本操作线性回归分析的应用举例曲线估计

spss进行多元线性回归并分析表格

本博客主要包含以下内容： 1.如何使用spss进行多元线性回归。 2.分析生成结果，并判断回归是否可行。一、使用spss进行多元线性回归： 1.输入数据 2. 3. 4. 5. 6. 二、表格结果分析： R方是检验回归是否成功的重要要素之一，DW是残差独立性检验，衡量标准如下：再看下一个表格： F的值是F检验的结果，他对应的P就是表格...

继续访问

《统计学》笔记：第12章多元线性回归

《统计学(第六版)》贾俊平第12章多元线性回归多元回归模型 multiple regression model 设因变量为y，k个自变量分别为x1，x2，…，xk，描述因变量y如何依赖于自变量x1，x2，…，xk和误差项ε的方程称为多元回归模型。其一般形式可表示为： y=β0+β1x1+β2x2+...+βkxk+ϵ y=\beta_0+\beta_1x_1+\beta_2x_2+...+\beta_kx_k+\epsilon y=β0+β1x1+β2x2+...+βkxk+ϵ 式中，β

继续访问

多元线性回归分析spss结果解读_Spss的线性回归做法及结果解读

上一节我们讲过了eviews做多元回归，但是很多同学做问卷之类的都需要用到spss,所以这节我教一下大家如何用spss做多元回归，并对结果进行解读,再对大家所疑惑的显著水平做一些白话的解释。一．线性回归的操作将因变量和自变量移入对应的框中，方法选择进入就好了。方法这里我们最多用的就是进入和逐步。二．回归模型的结果解读模型汇总模型RR 方调整 R 方标准估计的误差1.905a.818.8...

继续访问

多重共线性详解

目录 1、多重共线性的现象 2、出现的原因 3、判别标准 4、检验方法 5、多重共线性有什么影响 6、多重共线性处理方法 7、其他说明 8、多重共线性识别-python代码8.1、vif检验8.2 相关系数8.3 聚类 9、宏观把握共线性问题9.1、共线性的一般性的影响9.2、共线性对线性回归、逻辑回归的影响 10、statsmodel库DF Residuals：残差的自由度Df Model:模型参数个数（不包含常量参数）R-squared：可决系数adj-R-squared：修正可决系数 1、多重共线性

继续访问

r语言多元线性回归_第三十一讲 R多元线性回归中的多重共线性和方差膨胀因子...

在前两讲中，我们介绍了多元线性回归的概念以及多元线性回归中的交互作用。今天学习的主要内容是多元线性回归中的多重共线性和方差膨胀因子。1. 共线性的概念1共线性在多元回归中，两个或多个预测变量可能彼此相关，这种情况称为共线性(multicollinearity)。2多重共线性存在一种称为多重共线性的极端情况，其中三个或更多变量之间存在共线性，即使没有一对变量具有特别高的相关性。这意味着预测...

继续访问

Multiple Linear Regressions 多元线性回归（R）

多元回归多元回归是线性回归模型的自然延伸。它用于从几个解释变量预测响应的值。每个解释变量都有自己的系数。响应变量由所有变量乘以各自系数的组合来预测。其基本原理与简单回归相同:我们寻求预测因子的线性组合，以最小化与结果变量的差异。 the parallel slopes model 平行斜率模型数据展示当我们遇到两个变量的场景，其中一个是数字型变量（温度），其中一个是分类型变量（是否是周末），我们定义了下面这样的模型： X1 是“温度”，X2是 “是否是周末” ..

继续访问

多元线性回归分析spss结果解读_SPSS 多元线性回归结果重要参数解读

当自变量过多时，选择步进，此方法可以自动剔除对因变量影响小的变量。选择共线性诊断用于判断多个变量之间是否相互关联以及关联的程度德宾-沃森(Durbin-Watson)DW用来检验回归分析中的残差项是否存在自相关(序列相关)现象“DEPENDNT”：因变量“ZPRED”：标准化预测值“ZRESID”：标准化残差“DRESID”：删除残差“ADJPRED”：调节预测值“SRESID”：学生化残差“SD...

继续访问

回归方程的拟合优度-多重判定系数-估计标准误差

2019独角兽企业重金招聘Python工程师标准>>>...

继续访问

多元线性回归原理

例子先行一元线性：拿房价预测来说，房价就只与一个特征size（feet^2）有关: 多元线性：房子除了面积，还会有其他的特征：number of bedroomsnumber of floorsage of home....,为了引入这些特征，有了多元线性回归，x1,x2,x3,x4为特征，y为预测的价格。符号引入： n：特征的数量 ...

继续访问

SPSS软件介绍

SPSS软件界面描述 IBM SPSS是目前常用的一种统计分析软件，SPSS（Statistical Product and Service Solutions）是统计产品和服务解决方案软件，操作简单，无需写代码，只需确定要分析的数据及之间的因变、自变关系，以及需要做单因素、多因素、混合等分析即可。 SPSS的基本功能包括数据管理、统计分析、图表分析、输出管理等等。SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响

继续访问

多重共线性一些指标解释

ANOVA中 F检验是对整个模型而已的，看是不是自变量系数不全为0，这里F检验值23，对应P概率=0，显著性P<0.05,H1成立，说明显著性非常高系数中 t检验则是分别针对某个自变量的，看每个自变量是否有显著预测效力。这里t检验对应概率大于0.05，即显著性一列为0.23和0.48，说明显著性很差 SPSS对于多重共线性的判断指标有以下几种：容忍度（Tolerance）、方差膨胀因子（V...

继续访问

第12章多元线性回归-整理2

12.2 回归方程的拟合优度 12.2.1 多重判定系数多重判定系数（multiple coefficient of determination)是多元回归中的回归平方和占总平方和的比例，它是度量多元回归方程拟合程度的一个统计量，反映了因变量y的变差中被估计的回归方程所解释的比例。 R2=SSRSST=1−SSESSTR^2=\frac{SSR}{SST}=1-\frac{SSE}{SST}R2=SSTSSR=1−SSTSSE调整的多重判定系数： Ra2=1−(1−R2)(n−1n−k−1)R^2_

继续访问

热门推荐 SPSS多元线性回归输出结果的详细解释

先说一句题外话，如果当年在大学里数理统计等课程结合SPSS，SAS，R等软件来讲，应该效果会好很多。最近做了一些用SPSS进行线性回归的实验，还是感觉很多细节把握不好，这里结合我的实验结果，以及网上别人的介绍总结一下，先贴几张SPSS的输出：下面简单解释一下这三张图中的结果：第一个表模型汇总表中，R表示拟合优度（goodness of fit），它是用来衡量估计的模型对观测...

继续访问

多元回归分析--学习笔记

回归系数解释：回多元回归情形下，对每一个回归系数的解释如下，当所有其他自变量保持不变时，bi是因变量y对应于自变量xi改变一个单位时所做的改变的估计值。多元判定系数（R-sq）：计算方法同简单线性回归，乘以100即可解释为：因变量y中的变异性能被估计多元线性回归方程解释的百分比修正多元判定系数：多元判定系数的值总是随着新的自变量进入模型而增加，即使新增的变量在统计学上并不显

线性自变量因变量变量多元

# 上一篇：在R语言中,怎么设函数判断字符串的大小

# 下一篇：2018.11月Go优质开源项目