其他分享
首页 > 其他分享> > R语言大作业(三):新乡市、郑州市不同学历毕业生信息统计

R语言大作业(三):新乡市、郑州市不同学历毕业生信息统计

作者:互联网

R语言大作业(三):新乡市、郑州市不同学历毕业生信息统计

一、实验要求

在这里插入图片描述

二、实验准备

三、数据分析

(1)箱线图绘制

# 绘制箱线图
boxplot(data1[,2],data1[,3],names = c("高中毕业生","本科毕业生"),col = colors()[10:11],main="新乡市2012-2018年度本科生、高中毕业生箱线图")
mtext("20191574118_李文慧_数据191",side = 3)
# 新乡市高中生毕业生数据中有一个异常数据
boxplot(data2[,2],data2[,3],names = c("高中毕业生","本科毕业生"),col = colors()[10:11],main="郑州市2012-2018年度本科生、高中毕业生箱线图")
mtext("20191574118_李文慧_数据191",side = 3)

绘制箱线图如下所示:

  1. 新乡市2012-2018年度本科生、高中毕业生箱线图
    在这里插入图片描述

从图中可以看出:

  • 新乡市高中生毕业生数据中有一个异常数据
  1. 郑州市2012-2018年度本科生、高中毕业生箱线图
    在这里插入图片描述

从图中可以看出:
郑州市毕业生数据中无异常数据

(2)回归模型

  1. 确定变量间的关系
    (1)首先确定年份和新乡市高中生毕业人数:
# 数据分析,确定回归方程
data1 <- ts(data1,start = 2012) # 建立时间序列
data2 <- ts(data2,start = 2012) # 建立时间序列
# 1、确定变量间的关系
library(car)
# 首先确定年份和新乡市高中生毕业人数:
scatterplot(data1[,2]~data1[,1],data = data1,pch = 19,xlab = "年份",ylab="高中毕业生人数",cex.lab=0.8)
# 随着年份增加,新乡市高中生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示新乡市的高中生毕业人数不是对称分布。
# 从拟合的曲线来看,线性特征不是很明显,显示两个变量没有线性关系。

关系图形显示如下所示:
在这里插入图片描述

从图中可以看到:

  • 随着年份增加,新乡市本科生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示新乡市的本科生毕业人数基本上呈对称分布。
  • 从拟合的曲线来看,线性特征不是很明显,两个变量有一定量的线性关系。


(2)其次确定年份和新乡市本科生毕业人数:

# 其次确定年份和新乡市本科生毕业人数:
scatterplot(data1[,3]~data1[,1],ylim=c(5000,35000),data = data1,pch = 19,xlab = "年份",ylab="本科毕业生人数",cex.lab=0.8,main="新乡市本科生毕业生人数和年份的关系")
# 随着年份增加,新乡市本科生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示新乡市的本科生毕业人数基本上呈对称分布。
# 从拟合的曲线来看,线性特征不是很明显,两个变量有一定量的线性关系。

在这里插入图片描述

从图中可以看到:

  • 随着年份增加,新乡市本科生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示新乡市的本科生毕业人数基本上呈对称分布。
  • 从拟合的曲线来看,线性特征不是很明显,两个变量有一定量的线性关系。


(3)之后确定年份和郑州市高中生毕业人数:

# 之后确定年份和郑州市高中生毕业人数:
scatterplot(data2[,2]~data2[,1],data = data2,pch = 19,xlab = "年份",ylab="高中毕业生人数",cex.lab=0.8,main="郑州市高中生毕业生人数和年份的关系")
# 随着年份增加,郑州市高中生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示郑州市的高中生毕业人数不是对称分布。
# 从拟合的曲线来看,有一定的线性特征,可以认为两个变量有线性关系。

在这里插入图片描述

从图中可以看到:

  • 随着年份增加,郑州市高中生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示郑州市的高中生毕业人数不是对称分布。
  • 从拟合的曲线来看,有一定的线性特征,可以认为两个变量有线性关系。


(4)最后确定年份和郑州市本科生毕业人数:

# 最后确定年份和郑州市本科生毕业人数:
scatterplot(data2[,3]~data2[,1],data = data2,pch = 19,xlab = "年份",ylab="本科毕业生人数",cex.lab=0.8,main="郑州市市本科生毕业生人数和年份的关系")
# 随着年份增加,郑州市高中生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示郑州市的本科生毕业人数不是对称分布。
# 从拟合的曲线来看,有一定的线性特征,可以认为两个变量有线性关系。

在这里插入图片描述

从图中可以看到:

  • 随着年份增加,郑州市高中生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示郑州市的本科生毕业人数不是对称分布。
  • 从拟合的曲线来看,有一定的线性特征,可以认为两个变量有线性关系。
  1. 有关于相关系数的计算与检验
# 2、有关于相关系数的计算与检验
## 年份和新乡市高中生毕业人数
cor(data1[,1],data1[,2])
## 运行后得到:r = 0.5906002, 正线性相关,相关性不强

## 年份和新乡市本科生毕业人数
cor(data1[,1],data1[,3])
## 运行后得到:r = -0.1553365, 负线性相关,相关性不强


## 年份和郑州市高中生毕业人数
cor(data2[,1],data2[,2])
## 运行后得到:r = 0.9631614, 相关性很强的正线性相关

## 年份和郑州市本科生毕业人数
cor(data2[,1],data2[,3])
## 运行后得到:r = -0.6180557, 负线性相关,相关性较强


3. 检验相关系数(α = 0.05)采用T检验

# 3、检验相关系数(α = 0.05)采用T检验
# H0:ρ = 0(年份和新乡市高中生毕业人数的线性关系不显著); H1:ρ ≠ 0(年份和新乡市高中生毕业人数的线性关系显著)
cor.test(data1[,1],data1[,2])
# 运行后得到:p = 0.1627 > α, 拒绝H0,线性关系不显著

# H0:ρ = 0(年份和新乡市本科生毕业人数的线性关系不显著); H1:ρ ≠ 0(年份和新乡市本科生毕业人数的线性关系显著)
cor.test(data1[,1],data1[,3])
# 运行后得到:p = 4.281e-05 > α, 拒绝H0,线性关系不显著

# H0:ρ = 0(年份和郑州市高中生毕业人数的线性关系不显著); H1:ρ ≠ 0(年份和郑州市高中生毕业人数的线性关系显著)
cor.test(data2[,1],data2[,2])
# 运行后得到:p = 0.0004904 < α, 接受H0,线性关系显著

# H0:ρ = 0(年份和郑州市本科生毕业人数的线性关系不显著); H1:ρ ≠ 0(年份和郑州市本科生毕业人数的线性关系显著)
cor.test(data2[,1],data2[,3])
# 运行后得到:p = 7.798e-06 < α, 接受H0,线性关系不显著


4. 回归分析
(1)拟合回归模型,展示拟合的详细结果,确定回归方程

# 4、回归模型与回归方程
x1 <- data1[,1]
y1 <- data1[,2]
y2 <- data1[,3]
# 年份和新乡市高中生毕业人数
model1 <- lm(y1~x1) # 拟合回归模型
# 年份和新乡市本科生毕业人数
model2 <- lm(y2~x1) # 拟合回归模型

x2 <- data2[,1]
y3 <- data2[,2]
y4 <- data2[,3]
# 年份和郑州市高中生毕业人数
model3 <- lm(y3~x2) # 拟合回归模型
# 年份和郑州市本科生毕业人数
model4 <- lm(y4~x2) # 拟合回归模型

summary(model1) # 展示拟合的详细结果
summary(model2) # 展示拟合的详细结果
summary(model3) # 展示拟合的详细结果
summary(model4) # 展示拟合的详细结果

(1)根据 summary() 函数展示的 model1(年份和新乡市高中生毕业人数)回归拟合的详细结果,可以计算出回归方程:
在这里插入图片描述

在这里插入图片描述

(2)根据 summary() 函数展示的 model2(年份和新乡市本科生毕业人数)回归拟合的详细结果,可以计算出回归方程:
在这里插入图片描述
在这里插入图片描述
(3)根据 summary() 函数展示的 model3(年份和郑州市高中生毕业人数)回归拟合的详细结果,可以计算出回归方程:
在这里插入图片描述
在这里插入图片描述

(4)根据 summary() 函数展示的 model4(年份和郑州市本科生毕业人数)回归拟合的详细结果,可以计算出回归方程:

在这里插入图片描述
在这里插入图片描述

  1. 置信区间和方差分析
  1. 制作回归拟合图
    (1)年份和新乡市高中毕业生:
# 制作拟合图
# 年份和新乡市高中毕业生
plot(高中生毕业生.人.~年份,pch = 19,data = data1,main="新乡市市高中生毕业生与年份的回归模型诊断图")
text(data1[,2]~data1[,1],labels=data1[,2],cex=.6,adj=c(-0.6,.25),col=4)
abline(model1,col=2,lwd=2)
mtext(expression(hat(y)==700.1%*%"年份"-1377668.8), cex=1.2,side=3,line=-14,adj=0.5) # 回归方程公式
mtext("20191574118_李文慧_数据191",side = 3)

在这里插入图片描述

从图中可以看出:

  • 回归模型拟合的一般


(2)年份和新乡市本科生毕业生:

# 年份和新乡市本科生毕业生
plot(本科生毕业生.人.~年份,pch = 19,data = data1,main="新乡市本科生毕业生与年份的回归模型诊断图")
text(data1[,3]~data1[,1],labels=data1[,3],cex=.6,adj=c(-0.6,.25),col=4)
abline(model2,col=2,lwd=2)
mtext(expression(hat(y)==-1802.5%*%"年份"-36087270.4), cex=1.2,side=3,line=-14,adj=0.5) # 回归方程公式
mtext("20191574118_李文慧_数据191",side = 3)

在这里插入图片描述

从图中可以看出:

  • 回归模型拟合的较好


(3)年份和郑州市高中毕业生:

# 年份和郑州市高中毕业生
plot(高中生毕业生.人.~年份,type="n",data = data2,main="郑州市高中生毕业生与年份的回归模型诊断图")
text(data2[,2]~data2[,1],labels=data2[,1],cex=.6,adj=c(-0.6,.25),col=4)
abline(model3,col=2,lwd=2)
mtext(expression(hat(y)==1748.3%*%"年份"-3465512.3), cex=1.2,side=3,line=-14,adj=0.5) # 回归方程公式
mtext("20191574118_李文慧_数据191",side = 3)

在这里插入图片描述

从图中可以看出:

  • 回归模型拟合的较好


(4)年份和郑州市本科毕业生:

# 年份和郑州市本科毕业生
plot(本科生毕业生.人.~年份,pch = 19,data = data2,main="郑州市本科生毕业生与年份的回归模型诊断图")    
text(data2[,3]~data2[,1],labels=data2[,2],cex=.6,adj=c(-0.6,.25),col=4)
abline(model4,col=2,lwd=2)
mtext(expression(hat(y)==8.584e+03%*%"年份"-1.720e+07), cex=1.2,side=3,line=-14,adj=0.5) # 回归方程公式
mtext("20191574118_李文慧_数据191",side = 3)

在这里插入图片描述

从图中可以看出:

  • 回归模型拟合的较好

(3)预测新乡市和郑州市2019年度和2020年度的毕业信息数据

根据拟合好的回归模型可以预测出新乡市和郑州市2019年度和2020年度的毕业信息数据:

# 预测2019年度毕业信息数据
## 预测2019年度新乡市高中生毕业生人数
a1 <- data.frame(x1 = 2019)
predict(model1,a1) # 预测值为 35775.43
## 预测2019年度新乡市本科生毕业生人数
a2 <- data.frame(x1 = 2019)
predict(model2,a2) # 预测值为 25951.43
## 预测2019年度郑州市高中生毕业生人数
a3 <- data.frame(x2 = 2019)
predict(model3,a3) # 预测值为 64276.57
## 预测2019年度郑州市本科生毕业生人数
a4 <- data.frame(x2 = 2019)
predict(model4,a4) # 预测值为 129781.9

# 预测2020年度毕业信息数据
## 预测2020年度新乡市高中生毕业生人数
a11 <- data.frame(x1 = 2020)
predict(model1,a11) # 预测值为 36475.5
## 预测2020年度新乡市本科生毕业生人数
a22 <- data.frame(x1 = 2020)
predict(model1,a22) # 预测值为 36475.5
## 预测2020年度郑州市高中生毕业生人数
a33 <- data.frame(x2 = 2020)
predict(model3,a33) # 预测值为 66024.86
## 预测2020年度郑州市本科生毕业生人数
a44 <- data.frame(x2 = 2020)
predict(model4,a44) # 预测值为 138366.3

注意:

新乡市和郑州市2012-2013的本科生毕业生数据因为统计年鉴不同年的版本有更迭并未查询到详细数据,所以是由其后2014-2018的数据拟合回归模型预测得出的。

(4)分别绘制新乡市和郑州市2012-2019年度的毕业生信息数据图

实验要求中没有要求数据图的形式,这里我选用折线图的形式分别展示新乡市和郑州市2012-2019年度的毕业生数据趋势:

  1. 绘制2012-2018年度新乡市高中生、本科生毕业生信息的数据图
# 绘制2012-2018年度新乡市高中生、本科生毕业生信息的数据图
plot(data1[,2],ylim=c(15000,35000),lwd=2,xlab="年份",ylab="新乡市高中生毕业生人数(人)",main="2012-2018年度新乡市高中生、本科生毕业生信息",type="n")
mtext("20191574118_李文慧_数据191",side = 3)
grid(col = "black")
lines(data1[,2],type="o",lwd=3,col="red")
lines(data1[,3],type="o",lwd=3,lty=10,col="blue")
legend(x="topleft",legend = c("新乡市高中生毕业生人数","新乡市本科生毕业生人数"),lty=1:4,col=c("red","blue"))

在这里插入图片描述

  1. 绘制2012-2018年度郑州市高中生、本科生毕业生信息的数据图
# 绘制2012-2018年度郑州市高中生、本科生毕业生信息的数据图
plot(data2[,2],ylim=c(50000,150000),lwd=2,xlab="年份",ylab="新乡市高中生毕业生人数(人)",main="2012-2018年度郑州市高中生、本科生毕业生信息",type="n")
mtext("20191574118_李文慧_数据191",side = 3)
grid(col = "black")
lines(data2[,2],type="o",lwd=3,col="red")
lines(data2[,3],type="o",lwd=3,lty=10,col="blue")
legend(x="topleft",legend = c("郑州市高中生毕业生人数","郑州市本科生毕业生人数"),lty=1:4,col=c("red","blue"))

在这里插入图片描述

四、完整代码

setwd("G://R_wd") # 设置工作路径
getwd() # 查看当前工作路径
# 读取数据
data1 <- read.csv("新乡市不同学历毕业生信息统计.csv",header = TRUE)
data2 <- read.csv("郑州市不同学历毕业生信息统计.csv",header = TRUE)
# 查看数据
data1 # 查看新乡市不同学历毕业生信息统计数据
data2 # 查看郑州市不同学历毕业生信息统计数据

# 绘制箱线图
boxplot(data1[,2],data1[,3],names = c("高中毕业生","本科毕业生"),col = colors()[10:11],main="新乡市2012-2018年度本科生、高中毕业生箱线图")
mtext("20191574118_李文慧_数据191",side = 3)
# 新乡市高中生毕业生数据中有一个异常数据
boxplot(data2[,2],data2[,3],names = c("高中毕业生","本科毕业生"),col = colors()[10:11],main="郑州市2012-2018年度本科生、高中毕业生箱线图")
mtext("20191574118_李文慧_数据191",side = 3)

# 数据分析,确定回归方程
data1 <- ts(data1,start = 2012) # 建立时间序列
data2 <- ts(data2,start = 2012) # 建立时间序列
# 1、确定变量间的关系
library(car)
# 首先确定年份和新乡市高中生毕业人数:
scatterplot(data1[,2]~data1[,1],ylim=c(20000,38000),data = data1,pch = 19,xlab = "年份",ylab="高中毕业生人数",cex.lab=0.8,main="新乡市高中生毕业生人数和年份的关系")
# 随着年份增加,新乡市高中生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示新乡市的高中生毕业人数不是对称分布。
# 从拟合的曲线来看,线性特征不是很明显,两个变量有一定量的线性关系。

# 其次确定年份和新乡市本科生毕业人数:
scatterplot(data1[,3]~data1[,1],ylim=c(5000,35000),data = data1,pch = 19,xlab = "年份",ylab="本科毕业生人数",cex.lab=0.8,main="新乡市本科生毕业生人数和年份的关系")
# 随着年份增加,新乡市本科生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示新乡市的本科生毕业人数基本上呈对称分布。
# 从拟合的曲线来看,线性特征不是很明显,两个变量有一定量的线性关系。

# 之后确定年份和郑州市高中生毕业人数:
scatterplot(data2[,2]~data2[,1],data = data2,pch = 19,xlab = "年份",ylab="高中毕业生人数",cex.lab=0.8,main="郑州市高中生毕业生人数和年份的关系")
# 随着年份增加,郑州市高中生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示郑州市的高中生毕业人数不是对称分布。
# 从拟合的曲线来看,有一定的线性特征,可以认为两个变量有线性关系。

# 最后确定年份和郑州市本科生毕业人数:
scatterplot(data2[,3]~data2[,1],data = data2,pch = 19,xlab = "年份",ylab="本科毕业生人数",cex.lab=0.8,main="郑州市市本科生毕业生人数和年份的关系")
# 随着年份增加,郑州市高中生毕业人数在增长,二者的观测点分布在一条直线的周围,因而具有正线性关系。箱线图显示郑州市的本科生毕业人数不是对称分布。
# 从拟合的曲线来看,有一定的线性特征,可以认为两个变量有线性关系。

# 2、有关于相关系数的计算与检验
## 年份和新乡市高中生毕业人数
cor(data1[,1],data1[,2])
## r = 0.5906002, 正线性相关,相关性不强

## 年份和新乡市本科生毕业人数
cor(data1[,1],data1[,3])
## r = -0.1553365, 负线性相关,相关性不强


## 年份和郑州市高中生毕业人数
cor(data2[,1],data2[,2])
## r = 0.9631614, 相关性很强的正线性相关

## 年份和郑州市本科生毕业人数
cor(data2[,1],data2[,3])
## r = -0.6180557, 负线性相关,相关性较强

# 3、检验相关系数(α = 0.05)采用T检验
# H0:ρ = 0(年份和新乡市高中生毕业人数的线性关系不显著); H1:ρ ≠ 0(年份和新乡市高中生毕业人数的线性关系显著)
cor.test(data1[,1],data1[,2])
# p = 0.1627 > α, 拒绝H0,线性关系不显著

# H0:ρ = 0(年份和新乡市本科生毕业人数的线性关系不显著); H1:ρ ≠ 0(年份和新乡市本科生毕业人数的线性关系显著)
cor.test(data1[,1],data1[,3])
# p = 4.281e-05 > α, 拒绝H0,线性关系不显著

# H0:ρ = 0(年份和郑州市高中生毕业人数的线性关系不显著); H1:ρ ≠ 0(年份和郑州市高中生毕业人数的线性关系显著)
cor.test(data2[,1],data2[,2])
# p = 0.0004904 < α, 接受H0,线性关系显著

# H0:ρ = 0(年份和郑州市本科生毕业人数的线性关系不显著); H1:ρ ≠ 0(年份和郑州市本科生毕业人数的线性关系显著)
cor.test(data2[,1],data2[,3])
# p = 7.798e-06 < α, 接受H0,线性关系不显著

# 4、回归模型与回归方程
x1 <- data1[,1]
y1 <- data1[,2]
y2 <- data1[,3]
model1 <- lm(y1~x1) # 拟合回归模型
model2 <- lm(y2~x1) # 拟合回归模型

x2 <- data2[,1]
y3 <- data2[,2]
y4 <- data2[,3]
model3 <- lm(y3~x2) # 拟合回归模型
model4 <- lm(y4~x2) # 拟合回归模型

summary(model1) # 展示拟合的详细结果
summary(model2) # 展示拟合的详细结果
summary(model3) # 展示拟合的详细结果
summary(model4) # 展示拟合的详细结果

# 置信区间
confint(model1,level = 0.95)
confint(model2,level = 0.95)
confint(model3,level = 0.95)
confint(model4,level = 0.95)

# 方差分析表
anova(model1)
anova(model2)
anova(model3)
anova(model4)

# 制作拟合图
# 年份和新乡市高中毕业生
plot(高中生毕业生.人.~年份,pch = 19,data = data1,main="新乡市市高中生毕业生与年份的回归模型诊断图")
text(data1[,2]~data1[,1],labels=data1[,2],cex=.6,adj=c(-0.6,.25),col=4)
abline(model1,col=2,lwd=2)
mtext(expression(hat(y)==700.1%*%"年份"-1377668.8), cex=1.2,side=3,line=-14,adj=0.5) # 回归方程公式
mtext("20191574118_李文慧_数据191",side = 3)

# 年份和新乡市本科生毕业生
plot(本科生毕业生.人.~年份,pch = 19,data = data1,main="新乡市本科生毕业生与年份的回归模型诊断图")
text(data1[,3]~data1[,1],labels=data1[,3],cex=.6,adj=c(-0.6,.25),col=4)
abline(model2,col=2,lwd=2)
mtext(expression(hat(y)==-1802.5%*%"年份"-36087270.4), cex=1.2,side=3,line=-14,adj=0.5) # 回归方程公式
mtext("20191574118_李文慧_数据191",side = 3)

# 年份和郑州市高中毕业生
plot(高中生毕业生.人.~年份,pch = 19,data = data2,main="郑州市高中生毕业生与年份的回归模型诊断图")
text(data2[,2]~data2[,1],labels=data2[,2],cex=.6,adj=c(-0.6,.25),col=4)
abline(model3,col=2,lwd=2)
mtext(expression(hat(y)==1748.3%*%"年份"-3465512.3), cex=1.2,side=3,line=-14,adj=0.5) # 回归方程公式
mtext("20191574118_李文慧_数据191",side = 3)

# 年份和郑州市本科毕业生
plot(本科生毕业生.人.~年份,pch = 19,data = data2,main="郑州市本科生毕业生与年份的回归模型诊断图")    
text(data2[,3]~data2[,1],labels=data2[,3],cex=.6,adj=c(-0.6,.25),col=4)
abline(model4,col=2,lwd=2)
mtext(expression(hat(y)==8.584e+03%*%"年份"-1.720e+07), cex=1.2,side=3,line=-14,adj=0.5) # 回归方程公式
mtext("20191574118_李文慧_数据191",side = 3)

# 预测2019年度毕业信息数据
## 预测2019年度新乡市高中生毕业生人数
a1 <- data.frame(x1 = 2019)
predict(model1,a1) # 预测值为 35775.43
## 预测2019年度新乡市本科生毕业生人数
a2 <- data.frame(x1 = 2019)
predict(model2,a2) # 预测值为 25951.43
## 预测2019年度郑州市高中生毕业生人数
a3 <- data.frame(x2 = 2019)
predict(model3,a3) # 预测值为 64276.57
## 预测2019年度郑州市本科生毕业生人数
a4 <- data.frame(x2 = 2019)
predict(model4,a4) # 预测值为 129781.9

# 预测2020年度毕业信息数据
## 预测2020年度新乡市高中生毕业生人数
a11 <- data.frame(x1 = 2020)
predict(model1,a11) # 预测值为 36475.5
## 预测2020年度新乡市本科生毕业生人数
a22 <- data.frame(x1 = 2020)
predict(model1,a22) # 预测值为 36475.5
## 预测2020年度郑州市高中生毕业生人数
a33 <- data.frame(x2 = 2020)
predict(model3,a33) # 预测值为 66024.86
## 预测2020年度郑州市本科生毕业生人数
a44 <- data.frame(x2 = 2020)
predict(model4,a44) # 预测值为 138366.3

# 绘制2012-2018年度新乡市高中生、本科生毕业生信息的数据图
plot(data1[,2],ylim=c(15000,35000),lwd=2,xlab="年份",ylab="新乡市高中生毕业生人数(人)",main="2012-2018年度新乡市高中生、本科生毕业生信息",type="n")
mtext("20191574118_李文慧_数据191",side = 3)
grid(col = "black")
lines(data1[,2],type="o",lwd=3,col="red")
lines(data1[,3],type="o",lwd=3,lty=10,col="blue")
legend(x="topleft",legend = c("新乡市高中生毕业生人数","新乡市本科生毕业生人数"),lty=1:4,col=c("red","blue"))


# 绘制2012-2018年度郑州市高中生、本科生毕业生信息的数据图
plot(data2[,2],ylim=c(50000,150000),lwd=2,xlab="年份",ylab="新乡市高中生毕业生人数(人)",main="2012-2018年度郑州市高中生、本科生毕业生信息",type="n")
mtext("20191574118_李文慧_数据191",side = 3)
grid(col = "black")
lines(data2[,2],type="o",lwd=3,col="red")
lines(data2[,3],type="o",lwd=3,lty=10,col="blue")
legend(x="topleft",legend = c("郑州市高中生毕业生人数","郑州市本科生毕业生人数"),lty=1:4,col=c("red","blue"))

标签:高中生,本科生,年份,线性关系,新乡市,毕业生,学历
来源: https://blog.csdn.net/Pola_/article/details/110161290