找到
46
篇与
她笑中藏泪花
相关的结果
- 第 8 页
-
Python绘制热力图代码 Python绘制热力图代码 import matplotlib.pyplot as plt import seaborn as sns import numpy as np import pandas as pd import matplotlib.font_manager as fm # 创建数据 data = { "绩效期望": [1, 0.712, 0.687, 0.651, 0.451, 0.743, 0.646, 0.696, 0.684], "努力期望": [0.712, 1, 0.745, 0.731, 0.499, 0.701, 0.618, 0.745, 0.665], "促进因素": [0.687, 0.745, 1, 0.817, 0.544, 0.781, 0.766, 0.713, 0.801], "社会影响": [0.651, 0.731, 0.817, 1, 0.602, 0.757, 0.691, 0.744, 0.759], "感知风险": [0.451, 0.499, 0.544, 0.602, 1, 0.57, 0.593, 0.589, 0.576], "享乐动机": [0.743, 0.701, 0.781, 0.757, 0.57, 1, 0.752, 0.806, 0.782], "价格价值": [0.646, 0.618, 0.766, 0.691, 0.593, 0.752, 1, 0.716, 0.834], "个体创新": [0.696, 0.745, 0.713, 0.744, 0.589, 0.806, 0.716, 1, 0.779], "使用意愿": [0.684, 0.665, 0.801, 0.759, 0.576, 0.782, 0.834, 0.779, 1] } # 将数据转换为DataFrame df = pd.DataFrame(data, index=["绩效期望", "努力期望", "促进因素", "社会影响", "感知风险", "享乐动机", "价格价值", "个体创新", "使用意愿"]) # 设置字体 plt.rcParams['font.family'] = 'Microsoft YaHei' # 设置绘图的大小 plt.figure(figsize=(10, 8)) # 绘制热力图 sns.heatmap(df, annot=True, cmap='coolwarm', center=0, linewidths=0.5, fmt=".3f", cbar_kws={'label': '相关性'}) # 设置标题 plt.title("相关性分析热力图") # 显示热力图 plt.show()
-
【SPSS】相关性分析 步骤 对变量进行统计： 转化 > 计算变量 目标变量输入维度名称，数字表达式输入mean(维度下第一题 to 维度下最后一题) 例如(题目名称不用手动输入，直接点击左侧对应标签即可)： image|450图片 对所有维度执行相同操作。 选择分析方法：点击菜单栏的“分析” > “相关” > “双变量”。 选择变量：在弹出的对话框中，将希望分析相关性的变量(通常为所有的量表维度)添加到“变量”框中。 选择相关系数类型：在“相关系数”部分，通常选择“皮尔逊”相关系数。如果数据不满足正态分布，可以选择“斯皮尔曼”或“肯德尔”相关系数。 运行分析：设置完成后，点击“确定”以运行分析。 查看结果：SPSS会在输出窗口中生成相关系数矩阵，包括每对变量之间的相关系数、显著性水平（p值）等信息。通常，p值小于0.05表示相关性显著。 表格：表格绘制为以下样式： image.png图片 热力图：还可以绘制热力图，使结果更直观、美观： 相关性分析热力图.png图片 绘图代码 解读 *：p＜0.05 **：p＜0.01 ***：p＜0.001 Word解释 相关性绩效期望努力期望促进因素社会影响感知风险享乐动机价格价值个体创新使用意愿绩效期望1 努力期望0.712**1 促进因素0.687**0.745**1 社会影响0.651**0.731**0.817**1 感知风险0.451**0.499**0.544**0.602**1 享乐动机0.743**0.701**0.781**0.757**0.570**1 价格价值0.646**0.618**0.766**0.691**0.593**0.752**1 个体创新0.696**0.745**0.713**0.744**0.589**0.806**0.716**1 使用意愿0.684**0.665**0.801**0.759**0.576**0.782**0.834**0.779**1相关性分析热力图.png图片 当相关系数大于0时正相关，小于0时负相关；当其绝对值小于0.3时无相关性，0.3\~0.5时低相关，0.5\~0.8时中度相关，大于0.8时高度相关。因此，根据以上表格数据得出结论： 绩效期望与努力期望的相关系数为0.712，P＜0.01，说明两者呈现中度正相关关系； 努力期望与促进因素的相关系数为0.745，P＜0.01，说明两者呈现中度正相关关系； 促进因素与社会影响的相关系数为0.817，P＜0.01，说明两者呈现高度正相关关系； 社会影响与感知风险的相关系数为0.602，P＜0.01，说明两者呈现中度正相关关系； 享乐动机与价格价值的相关系数为0.752，P＜0.01，说明两者呈现中度正相关关系； 个体创新与使用意愿的相关系数为0.779，P＜0.01，说明两者呈现中度正相关关系； 使用意愿与价格价值的相关系数为0.834，P＜0.01，说明两者呈现高度正相关关系。 点击此文本观看本文视频版
-
【SPSS】差异分析 数据表达形式 在进行正态性检验时，通常有以下两种数据展示方式： 正态分布数据：使用均值（M）和标准差（SD）来呈现，适用于参数检验（如T检验、ANOVA）。 非正态分布数据：使用中位数和四分位数（IQR）来呈现，适用于非参数检验。 然而，在问卷分析中，大多数情况下仍使用参数检验，并通过均值±标准差（M±SD）来呈现数据。 独立样本T检验：用于二分组变量（如性别：男、女）和连续型因变量（如成绩）之间的比较。 单因素方差分析（ANOVA）：用于多分类变量（因子）和连续型因变量（如成绩）之间的比较。 变量前置操作 转化 > 计算变量 目标变量输入维度名称，数字表达式输入mean(维度下第一题 to 维度下最后一题) 例如(题目名称不用手动输入，直接点击左侧对应标签即可)： image|450图片 对所有维度执行相同操作。 独立样本T检验 操作步骤 选择分析方法：点击菜单栏的“分析” > “比较均值” > “独立样本T检验”。 设置变量：在弹出的对话框中，将因变量添加到“检验变量”框中，将分组变量添加到“分组变量”框中。点击“定义组”，输入分组变量的取值（如男=1，女=2），然后点击“继续”。 选择选项：点击“选项”按钮，勾选“均值和标准差”以及“显著性水平”，以便输出相关统计量和显著性检验结果。 运行分析：设置完成后，点击“确定”以运行分析。 绘制表格如下： image.png图片 结果解读 描述统计：查看每组的均值、标准差和样本量。例如，男生的平均成绩为80，女生为85。 方差齐性检验：在“莱文方差等同性检验”表中，查看“显著性”值。如果“显著性”值大于0.05，表示方差齐性假设成立，看“假定等方差”这一行数据；如果小于0.05，表示方差不齐性，看“不假定等方差”这一行数据。例如，Sig.=0.653 > 0.05，说明方差齐性。 T检验结果：在“T检验”表中，查看“Sig.”值。如果“Sig.”值小于0.05，表示两组均值差异显著；如果大于0.05，表示差异不显著。例如，Sig.=0.116 > 0.05，说明差异不显著。 T：t值是由样本数据计算得出的，用于衡量样本均值差异与样本变异性之间的关系 t值越大，说明两组之间的均值差异越大，相对变异性较小，表示组间差异可能较为显著。 t值越小，则表示均值差异较小，可能说明两组之间没有显著差异。 单因素方差分析（ANOVA） 操作步骤 选择分析方法：点击菜单栏的“分析” > “比较均值” > “单因素ANOVA”。 设置变量：在弹出的对话框中，将因变量添加到“因变量列表”框中，将因子添加到“因子”框中。 选择选项：点击“选项”按钮，勾选“描述”。 运行分析：设置完成后，点击“确定”以运行分析。 结果解读 描述统计：查看每组的均值、标准差和样本量。例如，教学方法A的平均成绩为75，B为80，C为85。 ANOVA结果：在“ANOVA”表中，查看“Sig.”值。如果“Sig.”值小于0.05，表示组间均值差异显著；如果大于0.05，表示差异不显著。例如，Sig.=0.116 > 0.05，说明差异不显著。 F值：反映了组间差异与组内差异的比值 补充 如果想进一步分析，可以对有显著差异的变量进行：事后比较——假定等方差中的LSD。 解读： 均值差异（I - J）： 该数值表示两组之间的均值差异。如果为正值，说明第一组（I组）的均值大于第二组（J组）；若为负值，则表示第一组（I组）的均值小于第二组（J组）。 显著性（Sig.）： 如果P值<0.05，说明两组之间的均值差异显著； 如果P值≥0.05，说明差异不显著。 结果展示： 保留的行：因变量、I、J、I-J、显著性 保留的列：P值<0.05的组别 image.png|500图片 Word解释 独立样本T检验 选项男女TP绩效期望3.72 ± 0.923.71 ± 0.800.1090.913努力期望3.77 ± 0.983.89 ± 0.74-1.1480.252促进因素3.70 ± 0.933.78 ± 0.79-0.7760.438社会影响3.66 ± 0.893.79 ± 0.75-1.2890.199感知风险3.70 ± 0.933.83 ± 0.79-1.2360.218享乐动机3.66 ± 0.943.66 ± 0.80-0.0380.970价格价值3.57 ± 0.913.36 ± 0.792.0070.046个体创新3.88 ± 0.893.78 ± 0.750.9300.353使用意愿3.65 ± 0.903.51 ± 0.821.3730.171男女在大多数选项上没有显著差异，只有“价格价值”这一项的均值差异显著（P = 0.046），表明男性和女性在价格价值感知上存在显著差异。 这一发现标明性别在价格敏感度和价值认知方面有着重要作用。未来的研究可以进一步探索这一差异背后的原因，分析可能的社会文化因素或心理机制。同时，企业和品牌可以针对不同性别设计更加个性化的营销策略和活动方案，以提高针对性和市场竞争力。例如，男性和女性可能在价格优惠、促销活动的响应度上有所不同，因此定制化的价格策略可能有助于提升销售效果。 单因素方差分析（ANOVA） 维度大一大二大三大四硕士博士F值P值绩效期望3.79±0.873.66±0.853.49±0.823.62±0.933.77±0.584.17±0.880.8730.5努力期望3.92±0.813.67±1.003.56±0.733.96±0.894.10±0.422.89±1.712.3290.043促进因素3.90±0.773.61±0.913.16±0.843.65±1.004.08±0.584.11±0.774.280.001社会影响3.80±0.823.51±0.893.41±0.653.86±0.864.21±0.503.67±0.332.8810.015感知风险3.79±0.823.66±0.943.48±0.863.91±0.844.13±0.834.11±1.021.5340.18享乐动机3.81±0.833.47±0.983.32±0.813.66±0.863.77±0.583.67±1.152.1710.058价格价值3.63±0.863.36±0.913.02±0.633.23±0.773.69±0.743.83±1.043.3980.005个体创新3.95±0.773.59±0.933.57±0.653.90±0.854.03±0.783.89±1.022.3040.045使用意愿3.69±0.823.48±0.923.07±0.893.48±0.784.10±0.694.00±1.003.7450.003在大多数维度中，不同年级和学术阶段的学生表现出显著差异，尤其在努力期望、促进因素、社会影响、价格价值、个体创新和使用意愿等方面，P值均小于0.05，表明这些因素受到年级和学术阶段的显著影响。 然而，绩效期望、感知风险和享乐动机的差异不显著（P>0.05），这些因素在不同年级和学术阶段之间的变化较小。 对显著的变量进行进一步分析。具体结果如下表（事后检验---LSD）所示 维度IJ平均值差值 (I-J)显著性努力期望博士研究生大学一年级-1.02778*0.041 大学四年级-1.07190*0.039 硕士研究生-1.21368*0.028促进因素大学三年级大学一年级-0.74104*0 大学二年级-0.44920*0.025 大学四年级-0.48706*0.028 硕士研究生-0.91692*0.001社会影响大学二年级大学一年级-0.29059*0.025 大学四年级-0.35125*0.046 硕士研究生-0.69363*0.006 大学三年级大学一年级-0.38875*0.029 大学四年级-0.44941*0.037 硕士研究生-0.79179*0.005价格价值大学一年级大学二年级0.26724*0.045 大学三年级0.60500*0.001 大学四年级0.39706*0.015 大学三年级硕士研究生-0.67231*0.019个体创新大学一年级大学二年级0.36171*0.005 大学三年级0.37458*0.035使用意愿大学三年级大学一年级-0.62214*0.001 大学二年级-0.41034*0.042 硕士研究生-1.03590*0 硕士研究生大学二年级0.62555*0.016 大学三年级1.03590*0 大学四年级0.62707*0.023努力期望：博士研究生与其他年级（大学一年级、大学四年级、硕士研究生）的有差异显著。 促进因素：大学三年级与其他年级（大学一年级、大学二年级、大学四年级、硕士研究生）之间的差异显著。尤其是与硕士研究生之间的差异最为显著（P=0.001）。 社会影响：大学二年级和大学一年级之间的差异显著，P值为0.025；大学三年级与大学一年级、大学四年级、硕士研究生之间的差异也显著，表明不同年级的学生在社会影响的感知上存在显著差异。 价格价值：大学一年级与大学二年级、大学三年级、大学四年级之间的差异显著，而大学三年级与硕士研究生之间的差异也具有显著性，表明年级的不同显著影响学生对价格价值的评价。 个体创新：大学一年级与大学二年级、大学三年级之间存在显著差异，表明学生的创新能力在不同年级之间有所不同。 使用意愿：大学三年级与大学一年级、大学二年级、硕士研究生之间存在显著差异，尤其是硕士研究生和大学三年级之间的差异最大，表明硕士研究生对使用意愿的评分远高于大学生。 点击此文本观看本文视频版
-
【SPSS】正态检验 操作步骤 选择分析方法：在菜单栏中点击“分析”，然后选择“描述统计”，接着点击“探索”。 设置变量：将待检验的变量添加至“因变量列表”框中。 选择图形：点击“图”按钮，勾选“直方图”和“含检验的正态图”选项，然后点击“继续”。 运行分析：点击“确定”以启动分析过程。 结果解读 观察图 直方图：通过观察直方图的数据分布，判断其是否接近正态分布。正态分布通常表现为中间较高，两端较低的钟形曲线。 image.png图片 Q-Q图：检查Q-Q图中数据点的分布，确认它们是否沿对角线排列。若数据点接近对角线，则表明数据分布接近正态。 image.png图片 观察表 观察图只是一个简便的方法，严谨的应该是看表。 往下看，会有一个名为“正态性检验”的表。 我们主要看显著性，如果大于0.05证明数据符合正态分布；小于0.05则证明数据不符合正态分布。 表里一般有两种检验方式，一种是柯尔莫戈洛夫-斯米诺夫检验(Kolmogorov-Smirnov test)，简称K-S检验；夏皮洛-威尔克检验(Shapiro—Wilk test)，简称S-W检验。 这两个在适用性上不同，K-S检验适用于样本量大于50个的情况；S-W适用于样本量小于50个的情况。 点击此文本观看本文视频版
-
【AI】使用Deepseek+通义千问或kimi快速制作可编辑的PPT 介绍 最近，我发现了通义千问和Kimi上有一些非常实用的文本转PPT工具。我尝试了一下，效果不错，而且生成的PPT是可编辑的格式。结合Deepseek-R1（深度思考）生成文本的能力，效果更佳。 aa5920e7aa81ea043a9e04f52a9643b1.png图片 使用过程 Deepseek生成文本 首先打开DeepSeek ,选着深度思考(R1)，然后告诉它你想要生成的内容，最后加上“以markdown格式输出”的要求。 例如，如果我现在需要生成一个关于市场营销专业的汇报，我可以对Deepseek说：“请你扮演一名市场营销专业的大三学生，要对大一新生进行市场营销专业介绍，并分享一些学习经验。请你生成一份文案文本，且以markdown格式输出。”生成后，你可以对文案进行修改和调整，直至满意。 注：除了Deepseek，其他的AI模型也同样可以使用，效果同样不错。 AI生成PPT 接下来，打开通义千问或者Kimi，这两个工具都非常实用。相对而言，Kimi的模板种类更多，还能生成一些AI图片；而通义千问生成的PPT则显得更简洁大气，个人认为设计感更强。 通义千问操作步骤： 打开通义千问，选择“效率”—“工具箱”—“PPT创作”。 选择“长文本生成PPT”并将Deepseek生成的文案粘贴到这里。 按需调整文案，并选择演讲场景，继续下一步。 选择一个适合的模板，生成PPT。 进行微调，调整完成后，点击右上角的“导出”，选择“导出为PPT”。 image.png|500图片 Kimi操作步骤： 打开Kimi，点击“Kimi+”进入“PPT助手”。 将文本粘贴到输入框，点击“一键生成PPT”。 选择模板，生成PPT。 进入编辑界面进行微调，最后下载PPT，文字仍然可以编辑。 image.png|500图片 写在最后 利用AI大模型生成PPT是一种高效的方法。AI可以将文本很好地套用到PPT模板中，但生成的结果仍有改进空间。 建议大家先自己编写文案，再让AI大模型帮忙润色并转换成Markdown格式。生成PPT后，还可以根据需要插入一些图表来丰富内容，提升PPT的视觉效果。 点击此文本观看本文视频版
