
SPSS Syntax中的常用函数
SPSS函数是一个常用程序(rountine),并且利用一个或多个自变量(参数)来执行。每个SPSS函数均有一个关键名称(keywordname),且绝不能写错。通常,函数的格式为:函数名称(自变量,自变量,……),某些函数可能只含有一个自变量,而有些函数则可能含有多个自变量,当一个函数含有多个自变量时,各自变量间用逗号(,)隔开,而函数的自变量通常又可分为以下三种:1)常数,如SQRT(100):2)变量名称,如MEAN(VAR1,VAR2,VAR3);3)表达式,如MIN(30,SQRT(100))。总之,SPSS函数和我们平时EXCEL里面函数格式规则并无差别。
SPSS提供了180多种函数,共可分为十多类(SPSS 17.0中大大小小分了18类)。和EXCEL一样,我们也不可能记住所有函数,只要知道一些常用函数,至于其他函数要用的时候再去查找也不迟,下面本人将列举一些常用函数:
(一)算术函数
函数 |
说明 |
范例(x=2.6,y=3) |
ABS(numbexpr) |
绝对值函数 |
ABS(y-x)=0.4 |
RND(numbexpr) |
四舍五入函数 |
RND(x)=3 |
TRUNC(numbexpr) |
取整函数 |
TRUNC(x)=2 |
SORT(numbexpr) |
平方根函数 |
SQRT(y)=1.71 |
MOD(numbexpr,modulus) |
求算两数相除后的余数 |
MOD(y,x)=0.4 |
EXP(numbexpr) |
以e为底的指数函数 |
EXP(y)=20.09 |
LG10(numbexpr) |
以10底的对数函数 |
LG10(x*10)=1.41 |
LN(numbexpr) |
自然对数函数 |
LN(y)=1.1 |
(二)统计函数
函数 |
说明 |
范例(X1=2,X2=5,X3=8) |
MEAN(numexpr,numexpr,…) |
自变量的平均值 |
MEAN(X1,X2,X3)=5 |
MIN(value, value,…) |
自变量的最小值 |
MIN(X1,X2,X3)=1 |
MAX(value, value,…) |
自变量的最大值 |
MAX(X1,X2,X3)=8 |
SUM(numexpr,numexpr,…) |
求和 |
SUM(X1,X2,X3)=15 |
SD(numexpr,numexpr,…) |
求标准差 |
SD(X1,X2,X3)=3 |
VARIANCE(numexpr,numexpr,…) |
求方差 |
VAR(X1,X2,X3)=9 |
CFVAR(numexpr,numexpr,…) |
求变异系数 |
CFVAR(X1,X2,X3)=0.6 |
(三) 缺失值函数
函数 |
说明 |
范例 |
MISSING(variable) |
若变量缺失,则为T或1,否则为F或0 |
MISSING(X1)=1 MISSING(X2)=1 MISSING(X3)=0 |
SYSMIS(numvar) |
若变量是系统缺失值则为T或1,如为自定缺失或非缺失则为F或0 |
SYSMIS(X1)=0 SYSMIS(X2)=1 SYSMIS(X3)=0 |
NMISS(variable,…) |
缺失值个数 |
NMISS(X1,X2,X3)=2 |
NVALID(variable,…) |
有效值个数 |
NVALID(X1,X2,X3)=1 |
VALUE(variable,…) |
忽略自定义缺失值,当作非缺失 |
VALUE(X1)=X1 |
注:X1为使用者界定缺失值,X2为系统缺失值,X3为非缺失值
(四)字符串型函数
函数 |
说明 |
范例 |
ANY(test,value,value) |
若自变量1和后面自变量窜相同则为真,记为1 |
ANY(is, this)=0 ANY(is,this,is)=1 |
CONCAT(strexpr,strexpr) |
将自变量连成一个新自变量 |
CONCAT(th,is)=this |
INDEX(haystack,needle,divisor) |
Divisor在needle最左侧开始出现的位置 |
INDEX(‘this is’,’is’)=3 |
LENGTH(strexpr) |
自变量所含文字的个数(包括特殊字符和空格) |
LENGTH(‘th is’)=5 |
LOWER(strexpr) |
自变量中的大写字母改为小写字母 |
LOWER(‘This’)=’this’ |
UPCASE(strexpr) |
将自变量中的小写字母改为大写字母 |
UPCASE(‘this’)=’THIS’ |
LTRIM(strexpr,char) |
在strexpr开始处去除char所形成的常量,如无char则去除strexpr左侧的空格 |
LTRIM(‘this’,’t’)=’his’ LTRIM(‘this’,’is’)=’th’ LTRIM(‘ this’)=’this’ |
NUMBER (strexpr,format) |
当自变量为数字的文字变量时,按文字变量指定格式转换为数字变量 |
NUMBER(‘23’,F8.1)=2.3 NUMBER(‘23’,F8.0)=23 |
RANGE(test,lo,hi,lo,hi) |
如果自变量1的值包含在自变量集lo至hi的范围内,则为T或1 |
RANGE(‘c’,’a’,’k’)=T |
STRING(strexpr,format) |
按指定格式将自变量转换为文字型变量 |
STRING(3+4,F8.2)=’7.00’ |
SUBSTR(sterxpr,pos,length) |
从strexpr子窜的第pos位置开始取length的字符串长度 |
SUBSTR(‘this is’,6,2)=’is’ |
(五)时间日期函数
函数 |
说明 |
范例 |
DATA.DMY(d,m,y) |
与指定日月年对应的日期 |
DATA.DMY(3,5,99)=05/03/99 |
DATA.MDY(m,d,y) |
与指定月日年对应的日期 |
DATA.MDY(5,3,99)=05/03/99 |
DATA.YRDA(y,d) |
与指定年日对应的日期 |
DATA.YRDA(99,35)=02/04/99 |
DATA.QYR(q,y) |
指定的季节年份对应的日期 |
DATA.QYR(2,99)=04/01/99 |
DATA.MOYR(m,y) |
与指定的月年度对应的日期 |
DATA.MOYR(5,99)=05/01/99 |
DATA.WKYR(w,y) |
与指定的周年度对应的日期 |
DATA.WKYR(38,98)=9/17/98 |
注:1 要正确显示以上函数值,必须先赋予其SPSS得日期型变量(DATA)格式,假设以上日期用mm/dd/yy格式显示,时间则用hh:mm:ss格式表示
2 1<=d<=31、1<=m<=12、1<=w<=52、1<=q<=4
(六)其他函数
SPSS除了上述函数外,尚有日期和时间转换函数(YOMODA\CTMIESDAYS\CTIMEHOURS\MDAYS等)、连续几率密度函数(CDF\BINOM\CHISQ\CDF\EXP\LOGISTIC等),此外还有NORMAL(stddev)可产生平均数为0,标准差为stddev的正态分布随机数字。UNIFORM(max)可产生平均数为0与max间呈均等分布的随机数字。
PS:还可以像EXCEL一样利用脚本编写自定义函数,目前SPSS支持python,Sax Basic(一种与VB兼容的编程语言)等语言,利用new--script可编写出自己需要的函数。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28