目录
一、前言
二、数据准备
三、进行预处理
四、进行降维任务
五、正态性检测
六、描述性统计
七、频数分析
八、代码功能
一、前言
SPSSPRO是一款全新的在线数据分析平台，可以用于科研数据的分析、数学建模等，对于那些不会编程或者刚进入科研的新人来说，这款工具再合适不过了。当然本人只是很早之前建模用过，所以有点关公面前武大刀的嫌疑。
二、数据准备
1、首先准备一份数据，这份数据需要表头等信息，我以一份CSI幅值数据为例（300行*30列）。当然表头可以自己打上去，也可以使用MATLAB或者其它程序进行标签。MATLAB打上表头标签：
T = array2table(raw_amp);
writetable(T,'SpassTest.xlsx');2、将生成的表格导入spasspro里面，并查看数据：
三、进行预处理
1、数据处理——>异常值处理
2、 选择三倍标准差进行预处理，对检测出的异常值可以直接剔除，也可以用中位数、平均数、众数等替代，具体根据你的任务来。只需要将m维定量拖进已选变量中就行。
3、生成处理完成的数据，表头名字由上图第四项决定（我们选择的是默认）：
四、进行降维任务
1、根据自己的任务选择合适的降维算法，这里选择PCA算法进行线性降维，如果你的数据是非线性的，可以采用KPCA降维算法。总方差解释率表示降维后保留多少信息，一般选择在90%-99%之间，可以根据自己的任务来。
2、 生成降维后的数据，这里我们是从30维降至15维
3、降维的相关性分析
数据分析——>选择分析项目——>选择相关性分析
生成降维后的相关性热力图，从热力图也可以看出降维后的特征正交（即互不相关，相关性系数为0）
五、正态性检测
1、选择算法——>描述性分析——>正态性检测，以第一维度的数据为例：
上图展示了Dim3数据的正态性检验直方图，若正态图基本上呈现出钟形（中间高，两端低），则说明数据虽然不是绝对正态，但基本可接受为正态分布。从检测的结果来看，30个维度基本可接受为正态分布。
2、正态性检验P-P图
上图是Dim1计算观测的累计概率（P）与正态累计概率（P）的拟合情况。拟合程度越高越服从正态分布。从检测的结果来看，30个维度基本可接受为正态分布。
六、描述性统计
首先，对总体的各项统计指标进行整体描述分析。其次，对异常或者表现得较为突出的指标进行分析，例如高方差、高平均值等等。
| 变量名 | 样本量 | 最大值 | 最小值 | 平均值 | 标准差 | 中位数 | 方差 | 峰度 | 偏度 | 变异系数（CV） |
|---|---|---|---|---|---|---|---|---|---|---|
| Dim1_异常值处理 | 300 | 16.35 | 10.083 | 13.571 | 1.116 | 13.626 | 1.246 | -0.014 | -0.291 | 0.08225067000693603 |
| Dim2_异常值处理 | 300 | 29.45 | 16.862 | 23.934 | 2.271 | 24.276 | 5.16 | 0.247 | -0.457 | 0.09490615857836082 |
| Dim3_异常值处理 | 300 | 33.724 | 17.32 | 26.124 | 2.949 | 26.382 | 8.696 | 0.259 | -0.25 | 0.11288086696067898 |
| Dim4_异常值处理 | 300 | 31.037 | 15.188 | 23.485 | 2.855 | 23.629 | 8.152 | 0.272 | -0.124 | 0.12157260045341392 |
| ......... | ......... | ......... | ......... | ......... | ......... | ......... | ......... | ......... | ......... | ......... |
| Dim30_异常值处理 | 300 | 4.203 | 0 | 1.877 | 0.852 | 1.826 | 0.726 | -0.407 | 0.326 | 0.4538913156287607 |
上表展示了描述性统计的结果，包括样本量、最大值、最小值等统计量，用于研究定量数据的整体情况。下图为某个维度的散点图可视化。
七、频数分析
下图展示了频数分析的结果，包括变量、频数、百分比等：
八、代码功能
1、SPSSPRO可直接编译python语言
2、 除了提供常用的py库外，还可以自己安装一些开源库
3、查看SPSSPRO已有的库，或者自己安装的库
4、利用代码进行导入数据的可视化，比如我们的数据是300*30的，进行可视化
（1）导入相应的库和数据
import pandas as pd
import matplotlib.pyplot as plt
# 读取数据
data = pd.read_excel('SpassTest.xlsx')（2）打印数据
（3）可视化原始数据及三倍标准差处理后的数据
（4）我们发现系统的预处理方法并不是很好，所以自己在notebook写一个预处理程序进行处理
文章来源：https://www.toymoban.com/news/detail-543670.html
是不是觉得效果好多了啊，赶快行动起来吧，开始你的数据分析之旅。文章来源地址https://www.toymoban.com/news/detail-543670.html
到了这里，关于SPSSPRO数据分析之——CSI指纹数据分析（预处理、降维等）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
