加载样本数据。

加载（'医院'）

数据集数组医院有100个观察和7个变量。

创建仅变量的数据集阵列性，年龄，重量， 和吸烟者．

dsa =医院（：，{'性别'，'年龄'，'重量'，“吸烟者”}）;

性是一个标称阵列，水平男性和女性．变量年龄和重量有数值，和吸烟者具有逻辑值。

计算数值和逻辑数组的平均值，年龄，重量， 和吸烟者，由水平分组性．

statarray = grpstats（dsa，'性别'）

statarray = sex groupcount incom_age _重量意味着_moker女性女性53 37.717 130.47 0.24528男性47 38.915 180.53 0.44681

attarray.是一个具有两行的数据集数组，对应于级别性．GroupCount是每组的观察数。手段年龄，重量， 和吸烟者，通过分组性，给出mean_Age，含义_重量， 和意思是_Moker.．

计算平均值年龄和重量，由价值观分组吸烟者．

statarray = grpstats（dsa，“吸烟者”，'意思'，'datavars'，{'年龄'，'重量'}）

statarray =吸烟者GroupCount mean_Age mean_Weight 0 false 66 37.97 149.91 1 true 34 38.882 161.94

在这种情况下，并非所有变量DSA.（不包括分组变量，吸烟者）是数字或逻辑阵列;变量性是一个标称阵列。当输入数据集数组中的所有变量都是数字或逻辑数组时，必须指定要为其计算摘要统计信息的变量DataVars．

计算最小和最大权重，按中值的组合分组性和吸烟者．

statarray = grpstats（dsa，{'性别'，“吸烟者”}，{'min'，'最大限度'}，......'datavars'，'重量'）

statarray = Sex吸烟者GroupCount min_Weight max_Weight Female_0 Female false 40 111 147 Female_1 Female true 13 115 146 Male_0 Male false 26 158 194 Male_1 Male true 21 164 202

有两个独特的值吸烟者和两个层面性，总共有四种可能的价值组合：女性非商员（女性_0.），女性吸烟者（女性_1.），男性nonsmoker（male_0.)及男性吸烟者(male_1.）。

指定输出中列的名称。

statarray = grpstats（dsa，{'性别'，“吸烟者”}，{'min'，'最大限度'}，......'datavars'，'重量'，'varnames'，{'性别'，“吸烟者”，......“GroupCount”，'LowestWeight'，'最高款'}）

Statarray =性别吸烟者Groupcount oboutweight最高款女性_0女性假40 111 147女性_1女性True 13 115 146 Male_0男性假26 158 194 Male_1男性True 21 164 202

加载样本数据。

加载（'医院'）

数据集数组医院有100个观察和7个变量。

创建仅变量的数据集阵列年龄，重量， 和吸烟者．

dsa =医院（：，{'年龄'，'重量'，“吸烟者”}）;

变量年龄和重量有数值，和吸烟者具有逻辑值。

计算数字和逻辑阵列的平均值，最小值和最大值，年龄，重量， 和吸烟者，没有分组。

statarray = grpstats（dsa，[]，{'意思'，'min'，'最大限度'}）

statArray = groupcount incom_age min_age max_age mean_weight all 100 38.28 25 50 154 min_weight max_weight mean_smoker min_smoker max_smoker所有111 202 0.34 false true

观察名称全部表明所有观察DSA.用于计算摘要统计信息。

加载样本数据。

加载（'Carsmall'）

所有变量都是测量100辆汽车的。起源是每辆车的原产国(法国、德国、意大利、日本、瑞典或美国)。气瓶有三个独特的价值观，4，6， 和8，表示每辆车中的汽缸数。

计算按原产国分组的平均加速度。

手段= grpstats（加速度，产地）

手段=6×114.4377 18.0500 15.8867 16.3778 16.6000 15.5000

方法是一个6×1矢量的平均加速度，其中每个值对应于原籍国。

计算平均加速度，由原产地和气缸数量分组。

手段= grpstats（加速度，{来源，气缸}）

手段=10×117.0818 16.5267 11.6406 18.0500 15.9143 15.5000 16.3375 16.7000 16.6000 15.5000

分组变量值有18种可能的组合，因为起源有6个独特的价值观气瓶有3个独特的值。只有10个可能的组合出现在数据中，因此方法是一个10×1向量的组手段，对应于观察到的值组合。

将组名与每个组的平均加速度返回。

[意味着,毛评点]= grpstats(加速度,{起源、汽缸},{'意思'，“gname”}）

手段=10×117.0818 16.5267 11.6406 18.0500 15.9143 15.5000 16.3375 16.7000 16.6000 15.5000

GRPS =10x2细胞{'USA'} {'4'} {'6'} {'6'} {'美国'} {'8'} {'8'} {'france'} {'4'} {'4'} {'4'} {'4'} {'4'} {'4'} {'4'}{'日本'} {'6'} {'德国'} {'4'} {'德国'} {'6'} {'6'} {'瑞典'} {'瑞典'} {'4'} {'4'} {'Italy'} {'4'}

输出毛评点显示10观察到的分组变量值的组合。例如，法国制造的4缸车的平均加速度为18.05。

加载样本数据。

加载Carsmall.

的变量加速测量了100辆汽车。的变量起源是每辆车的原产国(法国、德国、意大利、日本、瑞典或美国)。

返回原籍国分组的最小和最大加速度。

[grpmin，grpmax，grp] = grpstats（加速，origin，{'min'，'最大限度'，“gname”}）

grpmin =6×18.0000 15.3000 13.9000 12.2000 15.7000 15.5000

grpMax =6×122.2000 21.9000 18.2000 24.6000 17.5000 15.5000

GRP =6x1的细胞{'美国'}{“法国”}{‘日本’}{“德国”}{“瑞典”}{“意大利”}

具有最低加速度的样品汽车在美国制造，并在德国制造具有最高加速的样品。

加载样本数据。

加载（'Carsmall'）

的变量重量测量了100辆汽车。的变量Model_Year有三个独特的价值观，70，76.， 和82.，与1970年，1976年和1982年相对应的。

计算每个车型年的平均重量和90％的预测区间。

[均值，pred，grp] = grpstats（重量，model_year，......｛'意思'，'predci'，“gname”}，'Α', 0.1);

绘制误差栏显示模型年份分组的平均重量和90％的预测间隔。使用组名称标记水平轴。

ngrps =长度(grp);％组数错误栏（（1：ngrps）'，手段，pred（:,2） -  emeans）xlim（[0.5 3.5]）集（gca，'xtick'，1：ngrps，'xticklabel'、grp)标题('90％的重量预测间隔逐年'）

加载样本数据。

加载（'Carsmall'）

变量加速和重量为100辆汽车的加速度和重量值。的变量气瓶每辆车的汽缸数量。的变量Model_Year有三个独特的价值观，70，76.， 和82.，与1970年，1976年和1982年相对应的。

绘制平均加速，通过分组气瓶，95％的置信区间。

GRPSTATS（加速，圆柱体，0.05）

ans =.3×116.6706 16.4765 11.6406

带8个气缸的汽车的平均加速度明显低于带有4或6个气缸的汽车。

绘制意味着加速度和重量，分组气瓶， 95%置信区间。规模的重量值乘以1000的平均值重量和加速都是相同的数量级。

GRPSTATS（[加速，重量/ 1000]，圆柱，0.05）

ans =.3×216.6706 2.3726 16.4765 3.1255 11.6406 3.9703

汽车的平均重量随汽缸的数量而增加，并且平均加速度随汽缸的数量而降低。

绘图均值加速度，由两者分组气瓶和Model_Year．指定95%置信区间。

grpstats（加速度，{缸，Model_Year}，0.05）

ans =.8×116.1875 16.8667 16.7036 15.5000 17.0000 16.0333 11.0217 13.2222

有因为有三个独特值分组变量值9层可能的组合气瓶和三个独特的价值Model_Year．图中没有显示8缸车型为1982年的汽车，因为数据中没有包括这一组合。

在1976年由8缸汽车的平均加速度大于在1970年由8缸汽车的平均加速度显著大。