差異分析完整解決方案:Easystat

2021-02-14 微生信生物
差異分析完整解決方案：Easystat

本次更新：

EasyStat 使用指南
library(devtools) remotes::install_github(「taowenmicro/EasyStat」)remotes::install_git(『https:
如果國外不可用，則使用國內碼雲安裝
導入包和數據，數據均來自真實試驗和文公開文獻下載，通過調整分組加入。

# 導入差異分析包
library(EasyStat)
library(ggplot2)# 用於作圖
library("dplyr")# 用於數據處理

# #使用內置數據1
# data(data_wt)
# #內置數據2
# data(env)
基於單個指標的統計分析
正態檢驗和方差齊性分析，使用?NorNorCVTest查看幫助信息
# 使用?NorNorCVTest查看幫助信息
##使用案例
NorCV = NorNorCVTest(data = data_wt, i= 4,method_cv = "leveneTest")

#提取正態檢驗結果
NorCV[[1]]

# No         Name         W   p.value norm.test
# 1            1           CF 0.9385422 0.6474760      Norm
# 2            2           CK 0.9306138 0.5848500      Norm
# 3            3          Rhi 0.9651627 0.8585061      Norm
# 4            4           WT 0.9756280 0.9278774      Norm
# 5 Test Method: Shapiro-Wilk        NA        NA      <NA>

#提取方差齊性檢驗結果
NorCV[[2]]
# [1] 0.247
norm.test會按照分組告訴大家是否符合正態分布。
方差分析(aovMcomper)
data:輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是測定或者收集的指標了
i:代表您想要進行統計的列，比如：第三列：i = 3
method_Mc:選擇需要使用的多重比較方法，這裡又多種方法可供選擇：method_Mc == 「LSD」;method_Mc == 「SNK」;method_Mc == 「Duncan」;method_Mc == 「scheffe」
# ?aovMcomper

result= aovMcomper (data = data_wt, i= 6,method_Mc = "Tukey")

# 提取多重比較結果
result[[1]]
# groups group
# CF      a     CF
# CK      a     CK
# Rhi      b   Rhi
# WT      a     WT
#提取方差檢驗結果
result[[2]]

# Call:
#   aov(formula = count ~ group, data = ss)
#
# Terms:
#   group    Residuals
# Sum of Squares  169573500000   3387000000
# Deg. of Freedom            3           20
#
# Residual standard error: 13013.45
# Estimated effects may be unbalanced
結果中多重比較的展示全部使用字母表示了，雖然許多多種比較方法默認展示方式不同，但是我已經在包中將這些展示方式調整一致為字母。
非參數檢驗
兩個參數代表的意義與方差分析的兩個相同；
# ?KwWlx
res = KwWlx(data = data_wt, i= 6)

# 調用非參數兩兩比較結果：字母標記展示
res[[1]]

# groups group
# CF      ab    CF
# CK       a    CK
# Rhi      c   Rhi
# WT       b    WT

#表格展示兩兩之間差異結果
res[[2]]

# .y.   group1 group2       p p.adj p.format p.signif method
# <chr> <chr>  <chr>    <dbl> <dbl> <chr>    <chr>    <chr>
#   1 count CF     CK     0.123   0.25  0.1228   ns       Wilcoxon
# 2 count CF     Rhi    0.00470 0.028 0.0047   **       Wilcoxon
# 3 count CF     WT     0.864   0.86  0.8643   ns       Wilcoxon
# 4 count CK     Rhi    0.00470 0.028 0.0047   **       Wilcoxon
# 5 count CK     WT     0.0488  0.15  0.0488   *        Wilcoxon
# 6 count Rhi    WT     0.00470 0.028 0.0047   **       Wilcoxon
差異可視化方案（兩種差異表示，三種圖形展示）柱狀圖展示方差分析或非參數檢驗結果（aovMuiBarPlot）
在這個包中將差異檢測和出圖部分分離，方便選擇合適的圖表和差異可視化的策略。最終要的參數是result ：為前面差異分析結果中的第一個表單，格式為第一列差異顯著字母，第二列分組標籤，列名，分組標籤。如果只是用可視化的函數，直接從外面導入類似數據即可。
# ?aovMuiBarPlot
###----使用方差檢驗結果和多重比較結果做展示：柱狀圖展示
PlotresultBar = aovMuiBarPlot(data = data_wt, i= 6,sig_show ="abc",result = result[[1]])
#提取結果
p <- PlotresultBar[[1]]

ggsave("1.png",p)

#提取方差分析或非參數檢驗結果
PlotresultBar[[2]]
# ?aovMuiBarPlot
###----使用方差檢驗結果和多重比較結果做展示：柱狀圖展示
PlotresultBar = aovMuiBarPlot(data = data_wt, i= 6,sig_show ="line",result = result[[1]])
#提取結果
p <- PlotresultBar[[1]]
ggsave("2.png",p)
#提取方差分析或非參數檢驗結果
PlotresultBar[[2]]
# ?aovMuiBarPlot
###----使用方差檢驗結果和多重比較結果做展示：柱狀圖展示
PlotresultBar = aovMuiBarPlot(data = data_wt, i= 5,sig_show ="line",result = result[[1]],ns =TRUE)
#提取結果
p <- PlotresultBar[[1]]
ggsave("3.png",p)
#提取方差分析或非參數檢驗結果
PlotresultBar[[2]]
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是測定或者收集的指標了
i：代表您想要進行統計的列，比如：第三列：i = 3
sig_show：代表差異展示方式；sig_show =」abc」是使用字母表示;sig_show =」line」是使用連線和星號表示；如果是NA，那麼就不顯示顯著性結果
result：代表顯著性差異分析結果，是一個數據框，第一列是顯著性差異字母，第二列是分組group
箱線圖展示方差分析或非參數檢驗結果（aovMuiBoxP）
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是測定或者收集的指標了
i：代表您想要進行統計的列，比如：第三列：i = 3
sig_show：代表差異展示方式；sig_show =」abc」是使用字母表示;sig_show =」line」是使用連線和星號表示；如果是NA，那麼就不顯示顯著性結果
result：代表顯著性差異分析結果，是一個數據框，第一列是顯著性差異字母，第二列是分組group
# ?aovMuiBoxP
# #使用案例
PlotresultBox = aovMuiBoxP(data = data_wt, i= 6,sig_show ="abc",result = result[[1]])
# 提取檢驗結果
PlotresultBox[[2]]
#提取圖片
p = PlotresultBox[[1]]
ggsave("4.png",p)
# ?aovMuiBoxP
# #使用案例
PlotresultBox = aovMuiBoxP(data = data_wt, i= 6,sig_show ="line",result = result[[1]])
# 提取檢驗結果
PlotresultBox[[2]]
#提取圖片
p = PlotresultBox[[1]]
ggsave("5.png",p)
# ?aovMuiBoxP
# #使用案例
PlotresultBox = aovMuiBoxP(data = data_wt, i= 6,sig_show ="line",result = result[[1]],ns = TRUE)
# 提取檢驗結果
PlotresultBox[[2]]
#提取圖片
p = PlotresultBox[[1]]
ggsave("6.png",p)
點柱圖-完美解決柱狀圖無法展示樣本信息的缺陷
result= aovMcomper (data = data_wt, i= 6,method_Mc = "Tukey")
# # 提取多重比較結果
result[[1]]
PlotresultBox = aovMuiBoxBarP(data = data_wt, i= 6,sig_show ="abc",result = result[[1]],ns = TRUE)
#提取圖片
p = PlotresultBox[[1]]
ggsave("7.png",p)
PlotresultBox = aovMuiBoxBarP(data = data_wt, i= 6,sig_show ="line",result = result[[1]],ns = FALSE)
#提取圖片
p = PlotresultBox[[1]]

ggsave("8.png",p)
EasyStat包為什麼能完美解決差異分析呢.因為他比你想像的要強大。下面使用連線形式展示差異，顯著的差異按照標註星號，不顯著的標註ns。
PlotresultBox = aovMuiBoxBarP(data = data_wt, i= 6,sig_show ="line",result = result[[1]],ns = TRUE)
#提取圖片
p = PlotresultBox[[1]]
p
ggsave("9.png",p)
多指標模式多個指標同時做正態檢驗和方差齊性分析（MuiNorCV）
這裡對多組數據進行分析，結果我是用T或F代表，方便閱讀。
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是測定或者收集的指標了
num：代表您想要進行統計的列,這裡可以輸入多個列，只需要指定列號即可：例如：num = c(4:6)
method_cv：代表選擇方差齊性的方法，有兩種可供選擇：method_cv == 「bartlett.test」 ;method_cv == 「leveneTest」
dim(data_wt)
# ?MuiNorCV
# 使用案例
norCv = MuiNorCV(data = data_wt,num = c(4:10),method_cv = "leveneTest")
#展示正態檢驗和方差齊性結果
norCv
這裡由於指標比較多，所以我將結果進行簡化，直接使用ture和false來提示大家，cor是正態性檢測組，cv是方差齊性檢測。
多個指標方差檢驗（MuiaovMcomper）
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是測定或者收集的指標了
num：代表您想要進行統計的列,這裡可以輸入多個列，只需要指定列號即可：例如：num = c(4:6)
method_Mc：選擇需要使用的多重比較方法，這裡又多種方法可供選擇：method_Mc = 「LSD」;method_Mc = 「SNK」;method_Mc = 「Duncan」;method_Mc =」scheffe」
# ? MuiaovMcomper
# #使用案例
result = MuiaovMcomper(data = data_wt,num = c(4:6),method_Mc = "Tukey")
#提取每個指標方差檢驗多重比較結果
result
同樣，多個指標展示按照指標每列為一組檢測結果。
多個指標非參數檢驗（MuiKwWlx）
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是測定或者收集的指標了
num：代表您想要進行統計的列,這裡可以輸入多個列，只需要指定列號即可：例如：num = c(4:6)
# ? MuiKwWlx
# #使用案例
result = MuiKwWlx(data = data_wt,num = c(4:6))
#提取每個指標非參數檢驗多重比較結果
result
結果和多組方差分析結果一樣。很好用於後面的出圖，同樣也適合自己導入數據，使用出圖
多組數據可視化差異分析結果：柱狀圖（MuiPlotresultBar）
多組指標分開出圖，比較麻煩的是圖形的保存，如果還需要讓你一個一個保存圖片，那也是相當繁瑣的，所以這裡我設置了自動保存，也只有這種方式是自動保存，其他單個，多組分面圖形較少，所以就可以自己保存。
我讓該函數自動保存每個指標的出圖文件到當前文件夾中。這些文件以該指標名稱命名；
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是妮妮測定或者收集的指標了
num：代表您想要進行統計的列,這裡可以輸入多個列，只需要指定列號即可：例如：num = c(4:6)
sig_show：代表差異展示方式；sig_show =」abc」是使用字母表示;sig_show =」line」是使用連線和星號表示；如果是NA，那麼就不顯示顯著性結果
result：代表顯著性差異分析結果，是一個數據框，每一列是顯著性標記字母,MuiKwWlx
# ?MuiPlotresultBar
# # #使用案例
result = MuiKwWlx(data = data_wt,num = c(4:6))
result
# #結果直接輸出到文件夾中
MuiPlotresultBar(data = data_wt,num = c(4:6),result = result ,sig_show ="line")
多組數據可視化差異分析結果：箱線圖（MuiPlotresultBox）
我讓該函數自動保存每個指標的出圖文件到當前文件夾中。這些文件以該指標名稱命名；
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是妮妮測定或者收集的指標了
num：代表您想要進行統計的列,這裡可以輸入多個列，只需要指定列號即可：例如：num = c(4:6)
sig_show：代表差異展示方式；sig_show =」abc」是使用字母表示;sig_show =」line」是使用連線和星號表示；如果是NA，那麼就不顯示顯著性結果
result：代表顯著性差異分析結果，是一個數據框，每一列是顯著性標記字母,MuiKwWlx```{R}
?MuiPlotresultBox使用案例
result = MuiKwWlx(data = data_wt,num = c(4:8))result
#直接出圖到文件夾中
MuiPlotresultBox(data = data_wt,num = c(4:8),result = result,sig_show =」abc」)
### 線柱圖

輸入和箱線圖一致
```{R}
# ?MuiPlotresultBox
#使用案例
result = MuiKwWlx(data = data_wt,num = c(4:8))
result
# #直接出圖到文件夾中
MuiPlotReBoxBar(data = data_wt,num = c(4:8),result = result,sig_show ="line")
差異結果展示：分面展示柱狀圖：(FacetMuiPlotresultBar)
更新:
由於不同指標坐標軸範圍不同，分面添加顯著性標示會讓最高點的標示遮蓋，已解決
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是妮妮測定或者收集的指標了
num：代表您想要進行統計的列,這裡可以輸入多個列，只需要指定列號即可：例如：num = c(4:6)
sig_show：代表差異展示方式；sig_show =」abc」是使用字母表示;sig_show =」line」是使用連線和星號表示；如果是NA，那麼就不顯示顯著性結果
result：代表顯著性差異分析結果，是一個數據框，每一列是顯著性標記字母,MuiKwWlx
ncol:代表分面展示每一行放幾張圖
# ?FacetMuiPlotresultBar
# # #使用案例
result = MuiaovMcomper(data = data_wt,num = c(4:7),method_Mc = "Tukey")
result
result1 = FacetMuiPlotresultBar(data = data_wt,num = c(4:7),result = result,sig_show ="abc",ncol = 4 )
p <- result1[[1]]
ggsave("10.png",p)
差異結果展示：分面展示箱線圖：(FacetMuiPlotresultBox)
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是妮妮測定或者收集的指標了
num：代表您想要進行統計的列,這裡可以輸入多個列，只需要指定列號即可：例如：num = c(4:6)
sig_show：代表差異展示方式；sig_show =」abc」是使用字母表示;sig_show =」line」是使用連線和星號表示；如果是NA，那麼就不顯示顯著性結果
result：代表顯著性差異分析結果，是一個數據框，每一列是顯著性標記字母,MuiKwWlx
ncol:代表分面展示每一行放幾張圖
# ?FacetMuiPlotresultBox
# #使用案例
result = MuiKwWlx(data = data_wt,num = c(4:7))
result
#
result1 = FacetMuiPlotresultBox(data = data_wt,num = c(4:7),result = result,sig_show ="abc",ncol = 4 )
p <- result1[[1]]
ggsave("11.png",p)
使用兩種方法，我們可以對比非參數檢驗和方差檢驗結果是否一致
下面使用線柱圖展示
# #使用案例
result = MuiKwWlx(data = data_wt,num = c(4:7))
result
#
result1 = FacetMuiPlotReBoxBar(data = data_wt,num = c(4:7),result = result,sig_show ="abc",ncol = 4 )
p <- result1[[1]]
ggsave("12.png",p)
注意以上三種分面展示的目前僅支持字母標註顯著性，連線形式的尚未添加。
多個分組可視化:GroupBar
使用這種方式可視化一定要注意，坐標軸量度，不同指標範圍不一樣，因此，單位差距極大的指標一起展示就不太好看了。其次，這裡使用line展示會非常混亂，所以我去除了line展示的方式，所以這裡沒有選擇，只能是默認的abc。但是我保留了這個參數，希望以後又更好的方式。
colnames(data_wt)
result = MuiKwWlx(data = data_wt,num = c(8:10))
result = GroupBar(data = data_wt,num = c(8:10),result = result,sig_show ="abc",ylimit = 1.2)
# output result
p <- result[[1]]
ggsave("13.png",p)
這裡我想告訴大家，所有的出圖函數都可以提取數據，並且自己設計代碼出圖。
這裡我們提取數據,直接出圖也是可以的
A = result[[2]]

p<-ggplot(A, aes(x=group , y=mean,group = name ))+
    geom_bar(aes(colour= name,fill = name),stat = "identity", width = 0.9,position = "dodge") +

    geom_errorbar(aes(ymin=mean - SD,
                      ymax=mean + SD,group = name),
                  colour="black",width=0.1,size = 1,position = position_dodge(.9))+

    scale_y_continuous(expand = c(0,0))+#,limits = c(0,a)
    labs(
      y="count"
      # y=name_i
      # title = paste("Normality test",p1,"Homogeneity of variance",p2,sep = ":")
    ) +
    geom_text(data=A, aes(x=group, y=mean +SD ,label=groups),position = position_dodge(.9),vjust = -1)+
    guides(color=guide_legend(title = NULL),shape=guide_legend(title = NULL))
p

ggsave("14.png",p)
單個指標一體化分析（SingleStat）
這個函數可以將我們的目標列做正態檢驗和方差齊性，然後根據結果選擇方差檢驗或者多重比較方法，最後選擇自己需要的出圖方式和顯著性標記方式展示。
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是妮妮測定或者收集的指標了
i：代表您想要進行統計的列，比如：第三列：i = 3
method_Mc：選擇需要使用的多重比較方法，這裡又多種方法可供選擇：method_Mc == 「LSD」;method_Mc == 「SNK」;method_Mc == 「Duncan」;method_Mc == 「scheffe」
plot：可以選擇需要的出圖類型，柱狀圖和箱線圖
# ?SingleStat
# # #使用案例
# #輸出結果第一個為圖片，第二個是統計結果，第三個是統計方法
result = SingleStat(data = data_wt,plot = "bar",method_Mc = "Tukey",i= 4,sig_show ="abc")
# #導出圖片
p = result[[1]]
p

ggsave("15.png",p)
可以更換出圖方式,當然這裡會自動判斷使用方差分析，還是非參數檢驗。選擇結果會展示在結果的第三個列表中，可自行查看。
# ?SingleStat
# # #使用案例
# #輸出結果第一個為圖片，第二個是統計結果，第三個是統計方法
result = SingleStat(data = data_wt,plot = "box",method_Mc = "Tukey",i= 4,sig_show ="abc")
# 提取差異檢測結果
result[[2]]
# 提取差異檢測放啊
result[[3]]

# #導出圖片
p = result[[1]]
p
ggsave("16.png",p)
# ?SingleStat
# # #使用案例
# #輸出結果第一個為圖片，第二個是統計結果，第三個是統計方法
result = SingleStat(data = data_wt,plot = "boxbar",method_Mc = "Tukey",i= 4,sig_show ="abc")
# 提取差異檢測結果
result[[2]]
# 提取差異檢測放啊
result[[3]]

# #導出圖片
p = result[[1]]
p

ggsave("17.png",p)
![image]https://note.youdao.com/yws/public/resource/9141817b606527af013be70dc7713546/xmlnote/B92CE0A975AF4DE2BFFC81062FA275BE/50851)
多個指標一體化分析(MuiStat)
實現了多個指標批量整體運行；這個函數可以將我們的目標列做正態檢驗和方差齊性，然後根據結果選擇方差檢驗或者多重比較方法，最後選擇自己需要的出圖方式和顯著性標記方式展示。
# ?MuiStat
#使用案例
result = MuiStat(data = data_wt,num = c(4:7),method_cv = "leveneTest",method_Mc = "Tukey",sig_show  = "abc",ncol = 4,plot = "box",plottype = "mui")
p <- result[[1]]

# 提取方差檢測的列
result$aov
# 提取f非參數檢測的列
result$wlx
# 提取差異檢測結果
result$table

ggsave("18.png",p)
柱狀圖
result = MuiStat(data = data_wt,num = c(4:7),method_cv = "leveneTest",method_Mc = "Tukey",sig_show  = "abc",ncol = 4,plot = "bar",plottype = "mui")
p <- result[[1]]

ggsave("19.png",p)
result = MuiStat(data = data_wt,num = c(4:7),method_cv = "leveneTest",method_Mc = "Tukey",sig_show  = "abc",ncol = 4,plot = "boxbar",plottype = "mui")
p <- result[[1]]
ggsave("20.png",p)
data：輸入數據框，第一列為樣本編號，第二列為分組，注意分組標籤必須設定為group，第三列以後就是妮妮測定或者收集的指標了
num：代表您想要進行統計的列,這裡可以輸入多個列，只需要指定列號即可：例如：num = c(4:6)
method_cv：代表選擇方差齊性的方法，有兩種可供選擇：method_cv == 「bartlett.test」 ;method_cv == 「leveneTest」
method_Mc：選擇需要使用的多重比較方法，這裡又多種方法可供選擇：method_Mc == 「LSD」;method_Mc == 「SNK」;method_Mc == 「Duncan」;method_Mc == 「scheffe」
plot：可以選擇需要的出圖類型，柱狀圖和箱線圖
sig_show：代表差異展示方式；sig_show =」abc」是使用字母表示;sig_show =」line」是使用連線和星號表示；如果是NA，那麼就不顯示顯著性結果
ncol：代表分面展示每一行放幾張圖
plottype：輸出圖形是分面展示plottype =mui，還是單張展示:plottype == 「single」
添加主編微信 加入群聊
關於微生信生物 你想要的都在這裡
微生信生物

相關焦點

  • 完整的多功能會議室系統解決方案
    一份完整的多功能會議室系統解決方案該如何設計呢？有諸類問題的朋友，就趕緊看看吧！一、什麼是智能會議系統？四、完整的多功能會議室系統解決方案    智能會議系統分為五個子系統，實現功能各不相同，您可根據實際需要來選擇您所要的子系統，下面就各子系統的功能做進一步的詳細介紹。一、會議發言系統包括手拉手會議討論系統、投票表決系統和同聲傳譯系統。
  • TO B學習總結(二):關於B端產品的「解決方案」
    全文共分四部分：解決方案需要覆蓋完整業務線任何一個環節；找出更好的業務解決方案；從最小可用到方案的優化迭代如何去做；解決方案要因企業而異。解決方案需要覆蓋完整業務線任何一個環節B端產品的解決方案必須覆蓋整條業務線，這是筆者認為做B端產品的第一原則。為什麼呢？給大家看一個反面教材。
  • 斯坦德:大型汽配生產線自動化解決方案分析
    除了人為因素，上下遊之間缺乏及時高效的信息交流手段，因物流等待產生節拍的差異和停頓也是導致產業效率低下的因素之一。而工廠現有不同軟體系統間的信息隔斷，也導致整個生產線在工作過程中難以同步信息。種種問題，促使製造業不得不加快從「勞動力密集型」向「技術密集型」的轉型。
  • 來自MCC的振動測量和分析解決方案
    MCC為振動和聲學應用提供了完整的硬體和軟體解決方案。可直接測量IEPE型振動傳感器，加速度計或電壓信號，無需增加信號調理。　　4路24位同步模擬輸入 　　4路IEPE傳感器輸入並帶有4mA的電流源 　　各通道高達52.7kS/s的採樣率 　　1路轉速表輸入，1路24位模擬輸出，支持同步擴展 　　VIBbox 系列 - 可擴展動態信號分析系統
  • 如何做好一個完整的品牌策劃方案
    這裡，就給大家公開一下，一個完整的品牌策劃方案，應該包含哪些內容。眾所周知，一個好的企業，品牌和產品必須基於一個完善的營銷計劃基礎上的策劃，並且只有一套良好的品牌戰略，幫助我們的品牌成熟，取得成功。它就像人，人們需要依靠他們的父母的陪伴和教導、父母的教導計劃，如果父母的教育孩子的方式是先學會跑，那麼孩子永遠不會跑起來，同樣，生活需要循序漸進的方式，所以品牌是一樣的，每個階段做什麼？
  • 完整的4mA至20mA HART解決方案
    電路功能與優勢本文引用地址：http://www.eepw.com.cn/article/185881.htm圖1所示的電路使用 AD5700——業界功耗最低、尺寸最小的HART1兼容型IC數據機，以及AD5420 16位電流輸出DAC，形成完整的
  • 如何根據需求,寫出一份好的PPT解決方案?
    PPT可運用的場景非常多，本文作者就從產品經理的角度，分析如何根據需求，寫出一份好的PPT解決方案，希望對你有幫助。確是如此，從公司對內簡單的轉正申請、述職報告、年終報告，到對外的產品報告、需求分析報告等，PPT的進階之路和職場進階之路相輔相成，精通PPT在職場成為非常技能。今天，筆者將自己的工作經驗，就如何寫出一份完整的、有結構的、有內容的解決方案，整理出的方案思路，分享給大家，希望對你有幫助。
  • App Annie推出廣告分析解決方案Ascend
    【TechWeb】7月15日消息，移動數據和分析公司App Annie推出廣告分析解決方案App Annie Ascend。一直以來，品牌方和發行商都試圖藉助廣告供求雙方分散的數據來源來優化廣告收入和用戶獲取。
  • 晶片失效分析常用方法及解決方案
    隨著人們對產品質量和可靠性要求的不斷提高，失效分析工作也顯得越來越重要，社會的發展就是一個發現問題解決問題的過程，出現問題不可怕，但頻繁出現同一類問題是非常可怕的。本文主要探討的就是如何進行有效的晶片失效分析的解決方案以及常見的分析手段。失效分析 失效分析是一門發展中的新興學科，近年開始從軍工向普通企業普及。
  • 單因素方差分析超完整分析流程
    當我們想了解不同年級的學習態度是否有區別，進而提供有針對性的教學方案，又或者分析不同職業對某產品的購買意願是否有差異，進而根據分析結果精準投放廣告。以上這些分析兩個及兩個數據之間的差異情況都可以使用同一種分析方法——方差分析。01.
  • 國有企業改制上市常見問題的法律分析和解決方案
    發布部門： 信息來源：國資委 發布時間：2008-03-23 瀏覽次數：307次 國有企業改制上市常見問題的法律分析和解決方案
  • 榜樣的力量#榮之聯基因數據分析一體化解決方案
    （分布式存儲系統）、管（數據管理系統）、算（超級計算系統）、用（集成生信分析應用流程）全棧式平臺）、生物雲一體機（可提供臨床輔診分析、科研檢測、科研數據分析等），並能提供total solution整體解決方案。
  • IC失效分析(解決方案/常見分析手段)
    隨著人們對產品質量和可靠性要求的不斷提高，失效分析工作也顯得越來越重要，社會的發展就是一個發現問題解決問題的過程，出現問題不可怕，但頻繁出現同一類問題是非常可怕的。本文主要探討的就是如何進行有效的晶片失效分析的解決方案以及常見的分析手段。失效分析失效分析是一門發展中的新興學科，近年開始從軍工向普通企業普及。
  • RNA-seq差異表達分析步驟
    BioNews,專注於報導生命科學領域相關新聞，長按下方二維碼即可關注"BioNews"(id : iBioNews)我們將簡要描述差異表達分析的主要步驟分析每一步，我們都會描述分析目的，一些典型的選項，輸入和輸出的文件，並指出可以找到詳細步驟的完整章節。我們希望提供整個RNA-seq數據分析流程的概述，以便使用者可以看到各個步驟間是如何相互關聯的。
  • 換熱站遠程監控系統解決方案的特點及應用分析
    打開APP 換熱站遠程監控系統解決方案的特點及應用分析 佚名 發表於 2020-12-15 14:32:33 而在新基建如火如荼的實施上，智能化的時代已經悄悄來臨，工業網際網路也位列新基建的七大領域當中，對於換熱站的智能監控上，今天我們將使用圖撲 web 組態軟體跟大家介紹一下通過 2D 組態上的運用——流程可視化動畫效果以及圖表數據載入融合搭建的一個完整的換熱站遠程監控系統的解決方案。
  • AWS/Azure IOT方案分析
    AWS IOT解決方案分析Azure IoT解決方案另外，也希望和更多搞這塊的兄弟一起探討，大家對技術上或者實際落地方案上有什麼實際案例，也希望可以貢獻出來，感謝，以下是正文。IOT喊了這麼多年，終於慢慢要落地了，本文來分析分析AW/Azure的IOT方案。一、IOT能幹什麼？
  • 提供技術分析和應用解決方案,明略數據要成為中國大數據分析應用...
    提供技術分析和應用解決方案，明略數據要成為中國大數據分析應用解決方案的獨角獸
  • 2021年如何撰寫完整的營銷策劃方案?
    日常工作中，常見的兩個問題是：1、一上來就說辦多少場活動，做哪些廣告投放渠道，直接鑽入細節，缺乏邏輯性和整體性；2、各種分析模型，專業名詞，看似高大，實則假大空，難以落地實施。大家一定要記住，營銷方案的最終目的是直接或簡介地促進公司業績增長。
  • 44個基於SaaS的商業智能解決方案
    隨著雲計算的發展，基於SaaS模式的商業智能解決方案，越來越受到企業的青睞，本文將總結44款主流的雲商業智能解決方案。　　1.Birst　　Birst提供完整的商業智能所需的所有組件，包括數據集成，ETL服務，分析，報告，計劃和交付，所有這些都可通過訂閱定價模式獲得。
  • 阿里雲實時大數據解決方案,助力企業實時分析與決策
    在2020年，全增量實時同步解決方案正式發布。在全增量實時同步解決方案系統中，可以從MySql、Oracle、IBMDB2、SQLserver、POLARDB等關係型資料庫中全量離線同步到MaxCompute、Hologres、Elasticsearch、Kafka、DataHub等大數據產品中，再實現實時抽取關係型資料庫的變更信息，同步到大數據產品中。