用高数组进行分组统计计算
这个例子展示了如何计算包含停电数据的高时间表的分组统计信息。示例使用grouptransform，团体ummary,GroupCounts.函数计算各种数量的兴趣，如最常见的停电原因在每个地区。尽管本例中的原始数据只有大约1500行，但您可以在更大的数据集上使用本文介绍的技术，因为没有对数据的大小做任何假设。
创建数据存储和高时间表
示例文件，中断.CSV，包含了美国电力供应中断的数据。该文件包含六列:地区，OutageTime，损失，客户，RestorationTime,原因．
创建一个数据存储区中断.CSV文件。使用“TextScanFormats”选项指定每个列包含的数据类型：分类（“% C”），浮点数字（“% f”）或DateTime（“% D”）。
data_formats = [“% C”，“% D”，“% f”，“% f”，“% D”，“% C”];ds = tabularTextDatastore (“outages.csv”，“TextscanFormats”, data_formats);
在数据存储的顶部创建一个高大的桌子，并将高表转换为高度的时间表。这OutageTime变量用于行时间，因为它是表中的第一个datetime或duration变量。
t =高（DS）;t = table2timetable（t）
T = Mx5高时间表OutageTime地区客户RestorationTime造成损失 __________ ______ ____ _________ _______________ _____ ?？？？？？？？？？ ? ? ? ? ? ? ? ? : : : : : : : : : : : :
取代缺失的数据
一些行中RestorationTime变量缺少时间，由此表示纳值。从表中删除这些行。
T = rmmissing (T)“datavariables”，“RestorationTime”）;
对于时间表中的数字变量，而不是用缺失值删除行，替换每个区域的平均值的缺失值。
T = grouptransform (T)“地区”，“替换”, (“损失”，“顾客”]）;
用不见了要确认表中没有缺少数据。
tf =任何（ismissing（t），“所有”）;收集(tf)
使用本地MATLAB会话评估高表达式:-通过1的4:在0.21秒完成-通过2的4:在0.57秒完成-通过3的4:在0.43秒完成-通过4的4:在0.59秒完成评估2.7秒完成
ans =.逻辑0
预览数据
既然数据不包含丢失的值，那么将少量的行放入内存中，以了解数据包含的内容。
聚集（头（t））
using the Local MATLAB Session: - Pass 1 of 1: Completed in 0.29 sec
ans =.8×5时间表OutageTime地区客户流失RestorationTime原因________________ _________ ______ __________ ________________ _______________ 2002-02-01 12:18西南458.98 1.8202e + 06 2002年2月7日16:50，冬季风暴2003-02-07 21:15东南289.4 1.4294e + 052003-02-17 08:14冬季风暴2004-04-06 05:44 West 434.81 3.4037E + 05 2004-04-06 06:10设备故障2002-03-16 06:18中西部186.44 2.1275E + 05 2002-03-18 23:23严重风暴2003-06-18 02:49 West 0 0 0 2003-06-18 10:54攻击2004-06-20 14:39 West 231.29 1.5354E + 05 2004-06-20 19:16设备故障2002-06-06 19:28 West 311.86 1.5354E + 05 2002-06-07 00:51设备故障2003-07-16 16:23东北239.93 49434 2003-07-17 01:12火
按地区的均值持续时间
确定每个区域中的平均停电持续时间团体ummary．首先，创建一个新变量OutageDuration在包含每次中断持续时间的表中，通过从恢复时间中减去中断时间得到。在号召中团体ummary指定:
“地区”作为分组变量“的意思是”作为计算方法“除错量”作为要进行操作的变量。
T.OutagedUration = T.Restiontime - T.OutageTime;Times = Globanummary（T，“地区”，“的意思是”，“除错量”）
* = Mx3高表地区GroupCount mean_OutageDuration ______ __________ ___________________ ?？？？？？？？？: : : : : :
将持续时间结果的显示格式更改为以天为单位，并将结果收集到内存中。结果显示了每个区域的平均中断持续时间，以及每个区域报告的中断数量。
times.mean_OutageDuration。格式=“d”;时代=聚集（次）
使用当地MATLAB会话评估高表达： - 第1条：1/2：在1.1秒内完成 - PASS 2的2：在0.49秒的评估中完成2秒
* =5×3表地区GroupCount Mean_outageuration _________ ________________ ___________________ _ _____________ _中西部138 34.135天东北部548 24.21天东南379 1.7013天西南25 2.4799天西349 28.061天
按地区分类的最常见停电原因
确定每个区域中每个停电原因发生的频率。用GroupCounts.与原因和地区变量作为分组变量。将结果收集到内存中。
原因= groupcounts（t，[“原因”，“地区”]）;原因=收集(原因)
使用本地MATLAB会话评估高表达： - 通过第1条：在0.26秒内完成 - PASS 2的2：0.32秒评估完成0.8秒
原因=43×3表导致地区集团________________________________攻击中西部攻击135攻击东北攻击西部126地震东北地震西部1能源紧急东南79能源紧急东南79能源应急西部46设备故障9个设备故障东北17装备故障东南40装备故障西南2设备故障西85⋮
每个原因在表中发生了几次，因此即使表包含正确的数据，它也不是正确的格式，看看每个区域中每种原因发生的频率。要改进数据的演示，请不要填写GroupCount变量使得每列对应于区域，并且每行对应于中断原因。
RegionCauses =聚集（unstack（原因，“GroupCount”，“地区”）））
RegionCauses =10×6表导致中西部东北东南西南西方 ________________ _______ _________ _________ _________ ____ 攻击12 135年126年南19日地震南南南1 79年能源应急19日29日7 46设备故障9 17 40 2 85火南5 3南17暴风30 139 132 6 22雷雨31 102 54 6 7未知4 10 3南4风力16 40 13 3 22冬季风暴17 70 36 1 19
数据中并没有表示所有中断原因和区域的组合，因此结果表中包含一些南s。填写南零的值。
RegionCauses = Fillmissing（RegionCauses，“持续的”，{＂＂，0,0,0,0,0}）
RegionCauses =10×6表导致中西部东北东南西南西方 ________________ _______ _________ _________ _________ ____ 攻击12 135 19 0 0 1 0 0 1 126年地震能量紧急79年29日19日7 46设备故障9 17 40 2 85火5 0 3 0 17暴风30 139 132 6 22雷雨31 102 54 6 7未知4 10 3 0 4风力16 40 13 3 22 70年冬季风暴17日36 1 19
每个地区最差的停电
计算每个地区每次停电对客户的最大影响。
WorstOutages = groupsummary (T) (“地区”，“原因”]，“马克斯”，“顾客”）;WorstOutages =收集(WorstOutages)
using the Local MATLAB Session: - Pass 1 of 2: Completed in 0.33 sec - Pass 2 of 2: Completed in 0.52 sec
WorstOutages =43×4表区域原因GroupCount max_Customers _________ ________________ __________ _____________ MidWest attack 12 2.4403e+05 MidWest energy emergency 19 5.0376e+05 MidWest equipment fault 9 2.4403e+05 MidWest severe storm 30 3.972 2e+06 MidWest thunder storm 31 3.8233e+05 MidWest unknown 4 3.0879e+06 MidWest wind 16 2.8666e+05 MidWest winter storm 177.7697e+05东北袭击135 1.5005e+05东北地震10东北能源紧急事件29 1.5005e+05东北设备故障17 1.667e+05东北火灾5 4.5139e+05东北强风暴139 1.0735e+06东北雷暴102 5.9689e+06东北不明10 2.4983e+06⋮
将数据结合在一起地区和原因通过简单地将变量转换为字符串，将它们转换为单个分类变量。然后，创建一个分类直方图，显示每个区域中每种原因的最大受影响客户数量。
WorstOutages。地区原因= categorical(string(WorstOutages.Region)+”(“+ String（WorStoutages.Cause）+“）”）;柱状图(“类别”, WorstOutages。RegionCause,“BinCounts”，worstoutages.max_customers，．..“DisplayOrder”，“descend”) ylabel (“最大影响客户”）
另请参阅
相关的话题
您还可以从以下列表中选择一个网站：
