加载示例数据。

负载(“医院”）

数据集阵列医院有100个观察值和7个变量。

创建一个只包含变量的数据集数组性，年龄，重量,吸烟者．

dsa=医院（：{“性”，'年龄'，'重量'，“抽烟”});

性是标称阵列，其中水平男性和女的．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,吸烟者，按层次分组性．

statarray = grpstats (dsa),“性”）

statarray = Sex GroupCount mean_Age mean_Weight mean_吸烟者女性女性53 37.717 130.47 0.24528男性47 38.915 180.53 0.44681

斯塔雷是一个具有两行的数据集数组，对应于中的级别性．GroupCount是每组的观察次数。平均值为年龄，重量,吸烟者，按性，给出了在mean_Age，平均重量,烟民．

计算平均值年龄和重量，通过在值进行分组吸烟者．

statarray = grpstats (dsa),“抽烟”，'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，不是所有变量都在dsa(不包括分组变量，吸烟者)是数字或逻辑数组；变量性是标称数组。当输入数据集数组中并非所有变量都是数字或逻辑数组时，必须指定要使用其计算汇总统计信息的变量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”，“抽烟”},{“敏”，“马克斯”},...“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

中有两个唯一的值吸烟者和两个水平性，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)，男性不吸烟(男0)及男性吸烟者(男1）。

指定输出中列的名称。

statarray=grpstats（dsa{“性”，“抽烟”},{“敏”，“马克斯”},...“DataVars”，'重量'，“VarNames”, {“性别”，“抽烟”，...“GroupCount”，“LowestWeight”，'HighestWeight'}）

statarray = Gender吸烟者GroupCount LowestWeight HighestWeight女性假40 111 147女性真13 115 146男性0男性假26 158 194男性1男性真21 164 202

加载示例数据。

负载(“医院”）

数据集阵列医院有100个观察值和7个变量。

创建一个只包含变量的数据集数组年龄，重量,吸烟者．

dsa=医院（：{'年龄'，'重量'，“抽烟”});

变量年龄和重量有数值，和吸烟者具有逻辑值。

计算数值数组和逻辑数组的平均值、最小值和最大值，年龄，重量,吸烟者，没有分组。

statarray = grpstats (dsa, [], {'意思'，“敏”，“马克斯”}）

statarray = GroupCount mean_Age min_Age max_Age mean_Weight All 100 38.28 25 50 154 min_Weight max_Weight mean_吸烟者min_吸烟者max_吸烟者所有111 202 0.34 false true

观察的名字全部表示所有观测值都在dsa用于计算汇总统计数据。

加载示例数据。

负载(“卡斯莫尔”）

所有变量都是针对100辆车进行测量的。起源是每辆车的原产国(法国、德国、意大利、日本、瑞典或美国)。圆筒有三个唯一的值，4，6,8，表示每辆车的汽缸数。

计算平均加速度，按原产国分组。

意味着= grpstats(加速度,起源)

意味着=6×114.4377 18.0500 15.8867 16.3778 16.6000 15.5000

意味着是6×1矢量平均加速度，其中每个值对应于原籍国。

计算平均加速度，分组的国家和气缸的数量。

意味着= grpstats(加速度,{起源、汽缸})

意味着=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个独特的值和圆筒有3个唯一的值。只有10种可能的组合出现在数据中，所以意味着是一个10乘1的组均值向量，对应于观测值的组合。

返回组名以及每个组的平均加速度。

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

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

GRP=10x2电池{ 'USA'} { '4'} { 'USA'} { '6'} { 'USA'} { '8'} { '法国'} { '4'} { '日本'} { '4'}{ '日'} { '6'} { '德国'} { '4'} { '德国'} { '6'} { '瑞典'} { '4'} { '意大利'} { '4'}

输出毛评点节目分组变量值的10种观察到的组合。例如，在法国制造的4缸汽车的平均加速度是18.05。

加载示例数据。

负载carsmall

的变量加速是为100辆汽车测量。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)。

返回按原产国分组的最小和最大加速度。

[grpMin，grpMax，grp]=grpstats（加速度，原点{“敏”，“马克斯”，“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 =6 x1细胞{'美国'}{“法国”}{‘日本’}{“德国”}{“瑞典”}{“意大利”}

具有最低加速度样车在美国制成，并具有最高加速度样车在德国制造。

加载示例数据。

负载(“卡斯莫尔”）

的变量重量是为100辆汽车测量。的变量Model_Year有三个唯一的值，70，76,82，分别对应模式年份1970、1976和1982。

计算每个模式年的平均权重和90%的预测区间。

(意味着,pred, grp) = grpstats(体重、Model_Year...｛'意思'，'predci'，“gname”},“α”, 0.1);

图误差柱显示平均权重和90%的预测区间，按模型年分组。用组名标记水平轴。

ngrps =长度(grp);%组数errorbar ((1: ngrps)”,意味着,pred(:, 2))则xlim([0.5 - 3.5])组(gca),“xtick”，1:ngrps，'xticklabel'、grp)标题(“每年重量的90%预测间隔”）

加载示例数据。

负载(“卡斯莫尔”）

变量加速和重量为100辆汽车的加速度和重量值。的变量圆筒是每辆车的汽缸数。的变量Model_Year有三个唯一的值，70，76,82，分别对应模式年份1970、1976和1982。

绘制平均加速度，按圆筒，具有95%的置信区间。

GRP测试（加速度，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缸或6缸汽车。

绘制平均加速度和重量，按圆筒， 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]，缸，0.05）

ANS =3×216.6706 2.3726 16.4765 3.1255 11.6406 3.9703

的平均重量的汽车用汽缸的数量增加，并且平均加速度与汽缸的数量减少。

绘制平均加速度，双方分组圆筒和Model_Year．指定95%置信区间。

grpstats(加速度,{圆柱体,Model_Year}, 0.05)

ANS =8×116.1875 16.8667 16.7036 15.5000 17.0000 16.0333 11.0217 13.2222

分组变量值有九种可能的组合，因为其中有三个唯一的值圆筒和三个独特价值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8缸车的平均加速度明显大于1970年8缸车的平均加速度。