Nano Hash - криптовалюты, майнинг, программирование

Таблицы частот для латекса

У меня есть данные в R, и я хотел бы создать красивые частотные таблицы для каждой переменной.

Например, переменная Male со значениями 0 и 1 и их количество. (После этого в идеале переименовать строки.) А потом экспортировать в латекс. Я нашел приятную функцию prop.table, однако я не могу переключать строки и столбцы и экспортировать их в латекс.

Я знаю, что stargazer, который я использую для вывода регрессии, тоже может это делать, но есть еще разработчик Max Min Stan, которых я не хочу видеть в таблице. Что бы вы мне посоветовали?

Есть наглядная «таблица» того, как я хотел бы получить результат.

Стол Мужской

Номер позиции в процентах

0
1
Итого

И, наконец, также объедините все переменные в одну таблицу. Вместо 0 и 1 будут имена переменных.

r frequency latex
08.04.2018

  • Насколько я понимаю, вы хотели бы преобразовать таблицу из R в латекс. Это верно? А как насчет использования lstlisting. 08.04.2018
  • Вы не предоставили достаточно информации (или воспроизводимого примера), чтобы дать исчерпывающий ответ. Однако вам следует проверить пакет xtable. Он будет выводить латексные таблицы и может принимать различные табличные объекты в качестве входных данных. Я рекомендую вам вычислить желаемые результаты, преобразовать их в матрицу, добавить желаемые имена и столбцы, а затем использовать xtable для получения результата латекса. 08.04.2018
  • Возможно, посмотрите ссылку справа: инструменты для создания латексных таблиц для получения дополнительной информации. 08.04.2018

Ответы:


1

Предположим, у меня есть две переменные - мужчина и женщина, и я хочу знать, купили ли они суп или нет: 1 - если я куплю, 0 - если не куплю. Я создаю data.frame df, затем использую функцию prop.table, которую вы предлагаете, и, наконец, меняю значения 0 и 1 в rownames.

library(xtable)
set.seed(2)
df = data.frame(Male = rbinom(10,1,0.6), Female = rbinom(10,1,0.4))
df
## Male Female
## 1 1 0
## 2 0 0
## 3 1 1
## 4 1 0
## 5 0 0
## 6 0 1
## 7 1 1
## 8 0 0
## 9 1 0
## 10 1 0

library(xtable)
tab = rbind(t(t(prop.table(table(df$Male))*100)),sum(prop.table(table(df$Male))*100))
rownames(tab) <- c("No Soup","Soup","Total")
colnames(tab) <- "Item Number Per Cent"
t1 = xtable(tab,caption = "Male", digits = 0)
print(t1, caption.placement = "top", comment = FALSE)

введите здесь описание изображения

Конечный результат аналогичен ожидаемому. Вы можете контролировать количество цифр в таблице с помощью функции digits.

08.04.2018
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..