SAS学习系列17. 绘图Ⅲ—散点图,时间序列图,拟合曲线图
17. 绘图Ⅲ—散点图,时间序列图,拟合回归图
三、散点图
以两个定量变量的数值在二维坐标系中描点，生成的图形就是散点图。散点图能直观地显示出因变量随自变量变化而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。
基本语法：
PROC SGPLOT;
SCATTER X=自变量Y=因变量/ options;
可选项：
（1）DATALABEL = variable-name
指定该变量的值作为各个数据点的标签，若不指定变量名，
则使用Y变量的值；
（2）GROUP = variablename
指定分组变量，按其值对数据分组分别处理；
（3）NOMISSINGGROUP
指定不包含分组变量缺省值的观测；
（4）TRANSPARENCY = n——指定透明度。
例1关于鸟类的数据（C:\MyRawData\Birds.dat），变量包括名称、种类（S-鸣禽，R-猛禽）、身长（cm）、翼展（cm），注意每行有多组数据：
读入数据，绘制散点图，要求按类型分组。
代码：
data wings;
infile'c:\MyRawData\Birds.dat';
input Name $12. Type $ Length Wingspan @@;
run;
* Plot Wingspan by Length;
proc format;
value $birdtype
'S' = 'Songbirds'
'R' = 'Raptors';
run;
proc sgplot data = wings;
scatter X = Wingspan Y = Length / GROUP = Type;
format Type $birdtype.;
title'Comparison of Wingspan vs. Length';
run;
运行结果：
四、时间序列图
时间序列图，是以时间为X轴,变量为Y轴的一种图（数据点之间依次用线段连接），观察变量是否随时间变化而呈现某种趋势。
基本语法：
PROC SGPLOT;
SERIES X=时间变量Y=因变量/ options;
注：X变量必须事先排好序。
可选项：
（1）CURVELABEL = 'textstring'
给曲线添加标签，若不指定标签文本，则使用Y变量；
（2）DATALABEL = variable-name
指定该变量的值作为各个数据点的标签，若不指定变量名，
则使用Y变量的值；
（3）MARKERS
给每个数据点加上标签；
（4）GROUP = variablename
指定分组变量，按其值对数据分组分别处理；
（5）NOMISSINGGROUP
指定不包含分组变量缺省值的观测；
（6）TRANSPARENCY = n——指定透明度。
例2 某作家记录了某天的用电量数据（C:\MyRawData\Hourly.dat），
变量包括时间（24个时刻）、用电量（千瓦时）：
读取数据，绘制用电量随时间变化的曲线图，画一条用电量=0.5的基准线。
代码：
data electricity;
infile'c:\MyRawData\Hourly.dat';
input Time kWh @@;
run;
* Plot temperatures by time;
proc sgplot data = electricity;
series X = Time Y = kWh / MARKERS;
REFLINE0.5 / LABEL = ('0.5 kh') TRANSPARENCY = 0.5;
xaxis values = (0TO24BY1);
yaxis label = 'Electricity (kWh)';
title'Hourly Use of Electricity';
run;
运行结果：
例3 2013-2014年股票代码为sh600000的股票数据如下：（部分）（C:\MyRawData\sh600000.csv）
读入数据，日期只选择2014年，只保留变量date, open（开盘价）, high （最高价）, low（最低价）, close（收盘价）。按日期从小到大排序，并绘制该股票2014年的开盘价和收盘价的变化趋势图。
代码：
proc import datafile = 'C:\MyRawData\sh600000.csv' DBMS=CSV OUT = sh600000 REPLACE;
getnames = YES;
datarow = 2;
run;
data sh600000_2014;
set sh600000;
keep date open high low close;
where'1Jan2014'D <= date <= '31Dec2014'D;
proc sort data = sh600000_2014;
by date;
run;
proc print data = sh600000_2014;
title'sh600000股票2014年的数据';
run;
proc sgplot data = sh600000_2014;
series X= date Y= open / name= 'kaipan'legendlabel='开盘价';
series X= date Y= close / name= 'shoupan'legendlabel='
收盘价';
title'股票(sh600000)2014年开盘价、收盘价的变化趋势';
keylegend'kaipan''shoupan'/ LOCATION = INSIDE POSITION = TOP;
xaxis label = '日期';
yaxis label = '股票价格(元）';
run;
运行结果：（部分）
程序说明：
（1）csv文件是逗号分隔的文本文档，不是Excel表格；
（2）“/name =”语句是给曲线起名，后面“keylegend”语句使用它。
五、拟合（回归）曲线图
散点图只能大致显示两个变量之间的关系，进一步还可以绘制一条拟合曲线（应用最小二乘法原理，让误差的平方和最小）。
这种拟合曲线大概只能为后续真正做数据拟合提供参考信息，要拟合数据是用REG、GLM、NLIN过程步。
用SGPLOT过程步可以绘制拟合曲线图。
基本语法：
PROC SGPLOT data = 数据集;
拟合方式名X=自变量Y=因变量/ options;
可选拟合方式有3种：
REG——线性或曲线回归，；
LOESS——局部加权回归（loess）；
PBSPLINE ——惩罚B样条（B样条拟合，加入惩罚函数
避免边界附近“过拟合”）
注：REG可以带可选参数“/degree = n”，指定以n次多项式拟合。例如，
reg x=height y=weight / degree=3;
可选项：
（1）ALPHA = p
设定置信限: [0,1]，默认为0.05（95%可信）
（2）CLI
给个体预测值加上预测限（只限REG和PBSPLINE）；
（3）CLM
给均值预测值加上置信限；
（4）CURVELABEL = 'textstring'
为拟合曲线添加标注（默认是用Y变量）；
（5）GROUP = variablename
指定分组变量，按其值对数据分组分别处理；
（6）NOLEGCLI、NOLEGCLM、NOLEGFIT
不显示CLI带、CLM带、拟合曲线的图例说明；
（7）NOMARKERS
不对数据点做标记；
（8）CLMTRANSPARENCY = n
指定置信限的透明度。
例4奥运会男子1500米跑的数据（C:\MyRawData\Olympic1500.dat），变量包括年份、时间（秒），注意每行有多组数据：
读入数据，用REG和LOESS拟合方式绘制时间值的拟合曲线。
代码：
data Olympic1500;
infile'C:\MyRawData\Olympic1500.dat';
input Year Men @@;
run;
proc sgplot data = Olympic1500;
LOESS X = Year Y = Men / NOMARKERS CLM NOLEGCLM;
REG X = Year Y = Men;
label Men = 'Time in Seconds';
title"Olympic Times for Men's 1500 Meter Run";
run;
运行结果：
注：为了避免重复标记，用了NOMARKERS可选项，只让一种拟合曲线标记了散点。
时间序列作业
时间序列作业 -标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
3-17 解：(1)判断该序列的平稳性与纯随机性。 1)根据题中所列数据，绘制该序列的时序图，如图3-17-1所示。 图3-17-1：某城市过去63年中每年降雪量时序图 其中x表示每年降雪量。 时序图显示某城市过去每年降雪量始终围绕在80.3mm附近随机波动，没有明显的趋势或周期性，基本可视为平稳序列。 2)自相关图检验。如图3-17-2所示。 图3-17-2：样本自相关图 样本自相关图显示延迟2阶之后，该序列的自相关系数都落入2倍标准误之内，而且自相关系数在零值附近波动，是典型的短期相关自相关图。 由时序图和样本自相关图的性质，可以认为该序列为平稳序列。 α=，检验结果见表3-17-1。 3)纯随机性检验(0.05)
表3-17-1：纯随机性检验结果 检验结果显示，在6阶延迟下LB检验统计量的P值0.05 ，认为该序列为非白噪声序列。 (2)拟合模型 1)模型识别。 根据样本自相关图、偏自相关图对模型进行直接识别。由(1)可知，该序列在6阶延迟下平稳且非白噪声，已知样本自相关图，即图3-17-2所示，偏自相关图如下图所示。 图3-17-3：样本偏自相关图 而该序列的图像并不能直接识别出较为准确的模型，因此进一步利用SAS对模型进行最优模型定阶，结果如图3-17-4所示： 图3-17-4：最小信息量结果
最后一条信息显示，在自相关延迟系数小于等于5，移动平均延迟系数也小于等于5的所有ARMA(p,q)模型中，BIC信息量相对最小的是ARMA(1,0)模型，即AR(1)模型。 2)参数估计。 先利用SAS输出未知参数估计结果，如下表所示。 表3-17-2：未知参数估计结果 3)模型检验。 利用SAS，残差序列白噪声检验结果如下表所示。 表3-17-3：残差自相关检验结果 残差白噪声检验显示延迟6阶、12阶、18阶、24阶LB检验统计量的P值均显著大于0.05，所以该AR(1)模型显著有效。 参数显著性检验结果(见表3-17-2)显示两个参数t统计量的P值均小于 0.05，即两个参数均显著。 因此AR(1)模型是该序列的有效拟合模型。 拟合模型的具体形式。 利用SAS，拟合模型的具体形式如下图所示。
时间序列分析——最经典的
【时间简“识”】 说明：本文摘自于经管之家(原人大经济论坛) 作者：胖胖小龟宝。原版请到经管之家(原人大经济论坛) 查看。 1.带你看看时间序列的简史 现在前面的话—— 时间序列作为一门统计学，经济学相结合的学科，在我们论坛，特别是五区计量经济学中是热门讨论话题。本月楼主推出新的系列专题——时间简“识”，旨在对时间序列方面进行知识扫盲（扫盲，仅仅扫盲而已……），同时也想借此吸引一些专业人士能够协助讨论和帮助大家解疑答惑。 在统计学的必修课里，时间序列估计是遭吐槽的重点科目了，其理论性强，虽然应用领域十分广泛，但往往在实际操作中会遇到很多“令人发指”的问题。所以本帖就从基础开始，为大家絮叨絮叨那些关于“时间”的故事！ Long long ago，有多long估计大概7000年前吧，古埃及人把尼罗河涨落的情况逐天记录下来，这一记录也就被我们称作所谓的时间序列。记录这个河流涨落有什么意义当时的人们并不是随手一记，而是对这个时间序列进行了长期的观察。结果，他们发现尼罗河的涨落非常有规律。掌握了尼罗河泛滥的规律，这帮助了古埃及对农耕和居所有了规划，使农业迅速发展，从而创建了埃及灿烂的史前文明。
好~~从上面那个故事我们看到了 1、时间序列的定义——按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。 2、时间序列分析的定义——对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。 既然有了序列，那怎么拿来分析呢？ 时间序列分析方法分为描述性时序分析和统计时序分析。 1、描述性时序分析——通过直观的数据比较或绘图观测，寻找序列中蕴含的发展规律，这种分析方法就称为描述性时序分析 描述性时序分析方法具有操作简单、直观有效的特点，它通常是人们进行统计时序分析的第一步。 ~
jfreechart+sql实现时间曲线图(显示曲线数据点)
jfreechart+sql实现时间曲线图(显示曲线数据点) 一、JFreeChart获取。 JFreeChart是JFreeChart公司在开源网站https://www.sodocs.net/doc/d44875947.html,上的一个项目，该公司的主要产品有如下： 1、JFreeReport：报表解决工具 2、JFreeChart：Java图形解决方案（Application/Applet/Servlet/Jsp） 3、JCommon：JFreeReport和JFreeChart的公共类库 4、JFreeDesigner：JFreeReport的报表设计工具 我们可以从jfree官方网站上获取最新版本和相关资料（但是jfree的document需要40美金才能获取）， 获取地址：https://www.sodocs.net/doc/d44875947.html,/jfreechart/index.html（同时可以获得简明介绍）我们以当前最新版本：jfreechart_0.9.21.zip为例子进行说明。 二、JFreeChart配置安装 1、解压jfreechart_0.9.21.zip到指定位置，其中source是jfreechart的源码，jfreechart-0.9.21-demo.jar 是例子程序（该部分留给大家自己去研究） 2、为了配置成功，我们需要关注的文件有如下三个：jfreechart-0.9.21.jar、 lib\jcommon-0.9.6.jar、 lib\gnujaxp.jar 3、如果是Application开发，把上述三个文件拷贝到%JAVA_HOME%\LIB中，同时在环境变量CLASSPATH中加入 如果是WEB开发，以TOMCAT中的一个WEB项目TEST为例子说明： 把上述三个文件拷贝到TEST\WEB-INF\LIB中，然后修改TEST\WEB-INF\web.xml文件，在其中加入如下代码：
sas学习系列17.绘图ⅲ—散点图,时间序列图,拟合曲线图
17. 绘图Ⅲ—散点图,时间序列图,拟合回归图 三、散点图 以两个定量变量的数值在二维坐标系中描点，生成的图形就是散点图。散点图能直观地显示出因变量随自变量变化而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。 基本语法： PROC SGPLOT; SCATTER X=自变量Y=因变量/ options; 可选项： （1）DATALABEL = variable-name 指定该变量的值作为各个数据点的标签，若不指定变量 名，则使用Y变量的值； （2）GROUP = variablename 指定分组变量，按其值对数据分组分别处理； （3）NOMISSINGGROUP 指定不包含分组变量缺省值的观测； （4）TRANSPARENCY = n——指定透明度。 例1关于鸟类的数据（C:\MyRawData\），变量包括名称、种类（S-鸣禽，R-猛禽）、身长（cm）、翼展（cm），注意每行有多组数据：
读入数据，绘制散点图，要求按类型分组。 代码： data wings; infile'c:\MyRawData\'; input Name $12. Type $ Length Wingspan @@; run; * Plot Wingspan by Length; proc format; value $birdtype 'S' = 'Songbirds' 'R' = 'Raptors'; run; proc sgplot data = wings; scatter X = Wingspan Y = Length / GROUP = Type; format Type $birdtype.; title'Comparison of Wingspan vs. Length'; run; 运行结果： 四、时间序列图 时间序列图，是以时间为X轴,变量为Y轴的一种图（数据点之间依次用线段连接），观察变量是否随时间变化而呈现某种趋势。 基本语法： PROC SGPLOT; SERIES X=时间变量Y=因变量/ options; 注：X变量必须事先排好序。 可选项： （1）CURVELABEL = 'textstring' 给曲线添加标签，若不指定标签文本，则使用Y变量；
曲线图参考
摘要：商业建筑全年动态负荷的合理预测,能够给空调蓄冷蓄热系统设计、冷热源系统选择、BCHP系统设计和设备搭配以及城市能源规划提供有力的帮助。本文首先对典型商业建筑内扰的参数及全年作息时间进行设定，接着利用建筑能耗模拟软件DeST计算各典型商业建筑的全年逐时冷热负荷，由此得到建筑全年冷热负荷逐时变化无因次曲线和单位体积新风冷热负荷逐时变化曲线。最后对各典型功能建筑的负荷组成、负荷的日变化和年变 摘要：商业建筑全年动态负荷的合理预测,能够给空调蓄冷蓄热系统设计、冷热源系统选择、BCHP系统设计和设备搭配以及城市能源规划提供有力的帮助。本文首先对典型商业建筑内扰的参数及全年作息时间进行设定，接着利用建筑能耗模拟软件DeST计算各典型商业建筑的全年逐时冷热负荷，由此得到建筑全年冷热负荷逐时变化无因次曲线和单位体积新风冷热负荷逐时变化曲线。最后对各典型功能建筑的负荷组成、负荷的日变化和年变化特性作了分析和比较，为估计商业建筑的负荷估算提供了一种简单可靠的方法。 关键词：商业建筑负荷预测DeST 0 引言 随着空调系统在商业建筑领域的广泛应用，如何做到合理预测全年负荷是商业建筑空调设计非常重视的一个问题。目前，商业建筑设计多数采用经验数据进行冷、热负荷估算,这种方法只提供冷热负荷的最大值，已经远远不能满足空调蓄冷蓄热系统设计、冷热源系统选择、BCHP系统设计和设备搭配以及城市能源规划对负荷全年动态变化的要求。因此,我们有必要用一种新的方法对商业建筑的全年负荷进行预测。 1 商业建筑空调负荷特征 商业建筑空调负荷主要由下面几个因素组成：1)室内热扰,包括人员、灯光和设备2) 围护结构传热3)新风负荷。在这几个因素中, 室内热扰及其动态变化过程对负荷的影响很大。同时，由于在变风量系统中，新风随人员密度的变化而变化，因此新风负荷和室内热扰的变化过程密切相关。所以,合理地预测负荷应把重点放在室内热扰的参数设定及其动态变化设计上。 2 典型商业建筑内扰的参数设计和全年作息时间的设计 2.1 商业建筑的分类 商业建筑种类繁多，功能各异。本文依据不同的使用性质，选择了典型的几种商业建筑进行了建筑内扰和全年作息的设计，如下：1)客房：分为五星级客房、四星级客房、三星级客房以及三星级以下客房；2)办公室：分为高级办公室和一般办公室；3)美容院；4)保龄球馆；5)舞厅； 6)健身房；7)商场；8)餐厅：分为中餐厅、西餐厅和火锅餐厅；9)门厅；10)会议室；11)展览馆；12)影剧院；13)游泳池；14)教室；15)医院:包括病房、手术室、候诊室、门诊办公室、婴儿室和药品储存室；16)走廊；17)档案库房；18)卫生间；19)电脑机房；20)棋牌室。 2.2 室内参数设计 商业建筑的空调属于舒适性空调,即从人体的舒适感出发确定室内温度、湿度设计标准。
常见曲线图
常见曲线图 1、需求曲线（负相关关系） 2、需求弹性曲线（反映价格变动对生活必需品、高档耐用品的需求量影响程度） 3、需求水平变动曲线 4、供给曲线 5、供给水平变动曲线 计算题归类 经济学中几乎所有类型的计算题，都是基于两个量之间的数量关系，而数量关系大致只是两种情况：成正比或成反比。因而，解决问题的关键在于： 1.掌握两种数量关系各自的计算方法。 2.明确相关量之间的数量比例关系：成正比还是成反比。 两种数量关系的计算方法：提高用加，降低用减；正比用乘，反比用除。 1.两个量成正比，即同幅增减。如： ①单位时间内生产的商品数量与劳动生产率成正比，若劳动生产率提高20%，即成为原来的（1+20%）；则单位时间内生产的商品数量也增加20%，即也成为原来的（1+20%）。 ②商品的价值量与社会必要劳动时间成正比，若社会必要劳动时间缩短20%，即成为原来的（1－20%）；则商品的价值量也降低20%，即也成为原来的（1－20%）。 2.两个量成反比，即二者的增减变化情况互为倒数。如： ①商品的价值量与社会劳动生产率成反比。若社会劳动生产率提高25%，即成为原来的 （1+25%）；则商品的价值量为原来的1/ （1+25%）＝0.8，即减少20%。 ②生产单位商品的劳动时间与单位时间内生产的商品数量成反比。若生产单位商品的劳动时间缩短20%，即成为原来的（1－20%）；则单位时间内生产的商品数量为原来的1/（1-20%）＝125%，即增加25%。 注意：甲乙两个量成反比，固然是甲增乙减，但并非是甲增加若干即乙减少若干，而应以互为倒数计算。如币值与物价成反比，币值下降20%，则物价成为原来的1/（1-20%），即1.25，涨幅为25%；而不能认为是“币值下降20%，则物价上涨20%”，那样计算绝对是错误的。 一、关于纸币的发行量（纸币购买力） 1、货币流通规律（纸币发行规律）：流通中实际需要的货币量＝＝ 由左图可知，曲线A表示价格变动对商品需求的影响程度小，所以曲线A是生活必需品的需求弹性曲线；曲线B表示价格变动对商品需求的影响程度大，所以曲线B是高档耐用品的需求弹性曲线。
淘宝访客时间段分布曲线图
淘宝访客时间段分布曲线图应用——如何上架商品 （注：该数据曲线图非近期数据，但具有参考价值。）一、观察曲线图，通过观察以上曲线图，我们可以得到以下结论： 淘宝网访客高峰时间段为： 10点—11点；14点—15点；15点—16点；20点—21点；21点—22点。 我们会产生以下疑问： 1) 淘宝访客高峰时间为时间段而商品的上架时间为时间点，我该怎么上架商品？ 2）这么多个高峰时间段，我的商品数量有限，不能将商品均匀上架到每个时间段，我该上架到什么时间？ 二、思考并解决疑问
思考：我们为什么关心宝贝上架时间？ 因为淘宝宝贝自然搜索快下架的商品优先选择机制，但是这只是商品被优先展示影响因素中的一个。 解决疑问： 1) 淘宝访客高峰时间为时间段而商品的上架时间为时间点，我该怎么上架商品？ 一个为时间段，一个为时间点，为了保证访客高峰时间段结束前我的商品还在线，即让我的商品处在即将下架的状态，我们再上架商品时，就选择高峰时间段快结束之前的多个时间点均匀上架商品。 2）这么多个高峰时间段，我的商品数量有限，不能将商品均匀上架到每个时间段，我该上架到什么时间？ A. 商品数量少，不能集中的把商品均匀分不到五大访客高峰时间段。 卖家可以将商品均匀上架到五大高峰时间段中的一个时间段，坚持一个月或半个月，记录这段时间的店铺访客数、产生的订单数；宝贝搜索来源带来的访客数、订单数。使用Excel 表格记录。 将五个时间段分别按照以上方法操作，并记录数据。将五大高峰时间段记录到的数据进行分析，查看哪个时间段的宝贝搜索来源带来的订单转化率高。如果没有订单的卖家查看哪个时间段带来的访客数多。最后，将所有商品的上架时间调整到对应的时间段。 B. 商品数量多，可以均匀分不到五大访客高峰时间段。 将商品均匀上架到五大访客高峰时间段，坚持15天，记录五大高峰时间段的各时段的总访客数，访客来源中宝贝搜索访客数、订单数，记录订单时间段分布和访客时间段分布，进行
时间序列分析
时间序列分析 This model paper was revised by the Standardization Office on December 10, 2020
应用时间序列分析实验手册
目录
第二章时间序列的预处理 一、平稳性检验 时序图检验和自相关图检验 （一）时序图检验 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征例 检验1964年——1999年中国纱年产量序列的平稳性 1.在Eviews软件中打开案例数据 图1：打开外来数据 图2：打开数据文件夹中案例数据文件夹中数据 文件中序列的名称可以在打开的时候输入，或者在打开的数据中输入 图3：打开过程中给序列命名 图4：打开数据 2.绘制时序图 可以如下图所示选择序列然后点Quick选择Scatter或者XYline； 绘制好后可以双击图片对其进行修饰，如颜色、线条、点等
图1：绘制散点图 图2：年份和产出的散点图 图3：年份和产出的散点图 （二）自相关图检验 例 导入数据，方式同上； 在Quick菜单下选择自相关图，对Qiwen原列进行分析； 可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列。 图1：序列的相关分析 图2：输入序列名称 图2：选择相关分析的对象 图3：序列的相关分析结果: 1. 可以看出自相关系数始终在零周围波动，判定该序列为平稳时间序列 2.看Q统计量的P值：该统计量的原假设为X的1期，2期……k期的自相关系数均等于0，备择假设为自相关系数中至少有一个不等于0，因此如图知，该P值都>5%的显着性水平,所以接受原假设,即序列是纯随机序列,即白噪声序列(因为序列值之间彼此之间没有任何关联,所以说过去的行为对将来的发展没有丝毫影响,因此为纯随机序列,即白噪声序列.) 有的题目平稳性描述可以模仿书本33页最后一段.
line graph 曲线图
Line graph 考查重点 描述曲线的主要变化趋势 描述曲线变化的时间、幅度、数据 比较不同曲线变化趋势的差别 核心表达 the highest point reach / attain / climb up to/ increase/ rise to + a peak of / a high point at / a summit of /a pinnacle at +数字 peak at + 数字 电视观众人数在8:00 pm到达最高值60%。 The number of TV audiences reached a peak of 60% at 8:00 pm. The percentage of TV audiences peaked at 60% at 8:00 pm. the lowest point bottom out at reach the bottom of hit/ strike the lowest point at fall to the floor of descend to hit a trough 三月份的旅游人数达到全年最低的三万人。 The number of visitors hit the bottom of 30,000 in March. In March, the tourists’ figure fell to 30,000, the lowest point of the year. 上升 v. increase, grow, rise, climb, mount, ascend rocket(90), escalate(80), swell (70), soar(60), surge(45),boom (30), ease up (20), edge up (10) p.p. on the rise, with an increase, on an upward trend 下降 v. decrease, fall, drop, decline, descend dip, go down, sink plummet(90), plunge(80), collapse(70), slump(60), subside(45), ebb(30),
相关文档
- line graph 曲线图
- 艾宾浩斯记忆曲线-最佳记忆时间
- 时间～荷载～沉降量关系曲线图
- 时间距离拟合曲线
- 艾宾浩斯曲线-背诵时间表
- 时效关系与时效曲线
- 具有时间一次项的指数曲线研究
- 作息时间记录表 曲线直观图
- 淘宝访客时间段分布曲线图
- 砂浆配比凝结时间曲线图
- 工作状态曲线图
- jfreechart+sql实现时间曲线图(显示曲线数据点)
- 第四章时间研究及学习曲线
- SAS学习系列17. 绘图Ⅲ—散点图,时间序列图,拟合曲线图
- 曲线图(二)解读
- 砂浆配比凝结时间曲线图
- 时间～荷载～沉降量关系曲线图1
- 常见曲线图
- 室内相对湿度—时间变化曲线图
- 利用成本_时间曲线进行分时电价最优时段划分