GRPSTATS.
按组组织的汇总统计
语法
描述
statarray= grpstats（TBL.，groupvar）TBL.由分组变量或中指定的变量的值确定groupvar．
如果有一个单独的分组变量，那么就有一行
statarray对于分组变量的每个值。GRPSTATS.通过出现的顺序进行排序的组（如果分组变量是一个字符向量或标量串），在上升的数字顺序（如果该分组变量是数字），或在水平的订单（如果分组变量是分类）。如果
groupvar一个字符向量的字符串数组或单元格数组包含多个分组变量名，或一个列号的向量，然后在statarray对于每一个观察到的分组变量值的唯一组合。GRPSTATS.排序由所述第一分组变量的值，则该第二分组的变量，等等的基团。如果有变量
TBL.(不包括groupvar）不是数字或逻辑阵列，那么您必须指定要使用名称值对参数计算手段的数字和逻辑变量的名称或列编号，Datavars.．
statarray= grpstats（TBL.，groupvar，whichstats）whichstats．
方法= grpstats（X，团体）X由分组变量或变量的值来确定，团体．行的行方法对应于分组变量值。
如果有一个单独的分组变量，那么就有一行
方法对于分组变量的每个值。GRPSTATS.通过出现的顺序进行排序的组（如果分组变量是一个字符向量或标量串），在上升的数字顺序（如果该分组变量是数字），或在水平的订单（如果分组变量是分类）。如果
团体是一个字符串数组或单元格数组的分组变量，然后有一行在方法对于每一个观察到的分组变量值的唯一组合。GRPSTATS.排序由所述第一分组变量的值，则该第二分组的变量，等等的基团。如果
X是一个矩阵，然后方法是一个具有相同数量的列的矩阵X．每列方法对应列的组是否表示X．
［返回列向量或包含组值的列向量或数组，以获取规定的摘要统计类型stats1，...，statsn] = grpstats（X，团体，whichstats）whichstats．
［指定置信度和预测区间的显著性级别。stats1，...，statsn] = grpstats（X，团体，whichstats，'Α'，α）
例子
DataSet阵列摘要按组组织组织
加载样本数据。
加载（“医院”）
数据集数组医院有100个观察结果和7个变量。
仅使用变量创建数据集数组性，年龄，重量， 和吸烟者．
dsa =医院(:,{“性”，'年龄'，'重量'，“吸烟者”}）;
性是一个标称阵列，水平男性和女．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，通过在水平分组性．
statarray = grpstats（DSA，“性”）
statarray =性别GroupCount mean_Age mean_Weight mean_Smoker女女53 37.717 130.47 0.24528男男47 38.915 180.53 0.44681
statarray一个有两行的数据集数组，对应于性．GroupCount为每组观测的次数。的手段年龄，重量， 和吸烟者分组,性，给出mean_Age，mean_Weight， 和mean_Smoker．
计算的平均值年龄和重量，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，不是所有的变量DSA.（不包括分组变量，吸烟者)为数字或逻辑数组;的变量性是标称阵列。当输入数据集数组中不是所有的变量是数字或逻辑阵列，您必须指定您使用要计算汇总统计变量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”，“吸烟者”}，{“最小值”，'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，共有四种可能的值组合:女性非吸烟者(Female_0）女性吸烟者（Female_1)，男性非吸烟者(Male_0)及男性吸烟者(Male_1）。
指定输出中的列的名称。
statarray = grpstats (dsa) {“性”，“吸烟者”}，{“最小值”，'最大限度'}，．..'DataVars'，'重量'，“VarNames”，{“性别”，“吸烟者”，．..“GroupCount”，'低级'，'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
汇总统计数据集阵列不进行分组
加载样本数据。
加载（“医院”）
数据集数组医院有100个观察结果和7个变量。
仅使用变量创建数据集数组年龄，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。
计算数值和逻辑数组的平均值、最小值和最大值，年龄，重量， 和吸烟者，没有分组。
statarray = grpstats（DSA，[]，{'意思'，“最小值”，'最大限度'}）
statarray = GroupCount mean_Age MIN_AGE MAX_AGE mean_Weight所有100 38.28 25 50 154 min_Weight max_Weight mean_Smoker min_Smoker max_Smoker全部111 202 0.34假真
观察名全部表示所有的观测值DSA.用于计算汇总统计。
使用一个或多个分组变量的矩阵的分组方法
加载样本数据。
加载（“carsmall”）
所有的变量都可供100辆汽车进行测量。起源是每辆车的原产国(法国、德国、意大利、日本、瑞典或美国)。气缸有三个独特的价值，4，6， 和8指示在每节车厢的气缸数。
计算平均加速度，按原产国分组。
手段= GRPSTATS（加速，起源）
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。
计算平均值的加速度，由产地和气缸数的两个国家进行分组。
手段= GRPSTATS（加速，{OUSING，CYLINDERS}）
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，因为起源具有6个唯一值和气缸有3个独特的价值观。只有可能的组合10出现在数据，所以方法是对应于值的观察到的组合组装置的10×1向量。
返回组名称与各组的平均加速度一起。
[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
毛评点=10 x2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。
按组组织的矩阵的多个汇总统计
加载样本数据。
负载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(加速度,起源,{“最小值”，'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。
绘制每组新观察的预测区间
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，70，76， 和82，对应于模型1970年，1976年，和1982年。
计算每个模型年的平均重量和90％的预测间隔。
[装置，预解码值，GRP] = grpstats（重量，Model_Year，．..｛'意思'，'predci'，“gname”}，'Α', 0.1);
情节误差线显示平均体重和90％的预测区间，在品牌年度区分。与组名称标记水平轴。
ngrps =长度(grp);%组数errorbar（（1：ngrps）”，手段，预解码值（：，2）-means）XLIM（[0.5 3.5]）组（GCA，'XTICK'，1：ngrps，'xticklabel'、grp)标题(“按年预测90%的重量区间”）
绘图组手段和置信区间
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。的变量气缸在每节车厢的气缸数。的变量model_year.有三个独特的价值，70，76， 和82，对应于模型1970年，1976年，和1982年。
绘图均值加速度，分组气缸， 95%置信区间。
grpstats(加速、气缸、0.05)
ans =.3×116.6706 16.4765 11.6406
8缸汽车的平均加速度明显低于4或6缸汽车。
绘制平均加速度和重量，分组气缸， 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，由两者分组气缸和model_year.．指定95%置信区间。
GRPSTATS（加速，{缸，MODEM_YEAR}，0.05）
ans =.8×116.1875 16.8667 16.7036 15.5000 17.0000 16.0333 11.0217 13.2222
变量值分组有9种可能的组合，因为在气缸和三个独特的价值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。
1976年制造的8缸车的平均加速度明显大于1970年制造的8缸车的平均加速度。
输入参数
输出参数
算法
GRPSTATS.对待南s作为缺失值，在计算摘要统计信息之前，从输入数据中删除它们。GRPSTATS.忽略空组名称。
替代功能
MATLAB®包括功能团体ummary，这也将返回组总结，当你与表工作的建议。
扩展功能
您还可以从以下列表中选择一个网站：
