Send output to:
Browser Blue - Charts White
Browser Black/White
CSV
Data X:
3.5 3.5 3.333333333 4.25 2.8 2.444444444 4 4 3.666666667 4.75 4.2 4.333333333 4 5 3.666666667 4.5 4 4.444444444 5 5 4.333333333 4.25 4 3.777777778 4 2.5 2.333333333 4.25 4 4.222222222 4.5 3.5 4 4.75 3.6 4.333333333 4 4 3.666666667 4.75 3.6 4.333333333 5 4.5 4 3 3.4 4.222222222 3.5 4 4 3.75 3 3.444444444 5 4 4 4 3.6 3.777777778 4 4 3.666666667 4 3.2 3.555555556 4 5 4 3.5 3.4 4.111111111 3 5 3.333333333 3.75 3.8 4 3.5 4 4 4 4.2 4.222222222 4.5 5 3.333333333 3.5 3 3.222222222 4.5 4.5 5 4.5 4.2 3.666666667 4 3.5 4 3.75 3.2 3.888888889 4 4 5 4.5 3.6 3.777777778 5 5 4.333333333 4.75 3.6 5 3.5 2 4 3.75 3.4 3.333333333 3.5 4.5 4 4.25 3.6 3.666666667 3.5 2.5 3 2.25 3.2 3.333333333 3 2 4 4.5 3 4.444444444 4.5 4.5 2.666666667 4.25 3 3.777777778 3.5 3 3.333333333 3.75 3.8 3.444444444 4 4 3.666666667 3.25 2.8 3 5 5 4.666666667 4.25 3.8 3.666666667 4.5 4.5 4.666666667 3.5 3.8 4.666666667 4 4 3.666666667 3.75 3 4 4 3.5 3.666666667 3.5 3.4 3.666666667 5 5 3.666666667 4.25 4.2 4.666666667 4 3 3.333333333 3.5 2.6 3.666666667 2 4.5 2.666666667 3.25 2.4 2.333333333 3 2.5 4 4.75 3 4.777777778 3.5 2 3.333333333 3.75 3.8 3.777777778 3.5 4 4 3.5 3.8 3.555555556 1.5 1 2.666666667 2.75 2.8 3.777777778 4 5 3.333333333 4 3.6 3.111111111 4 2.5 3 3.25 2.2 3.333333333 3 4 4 3.75 3.4 3 5 4 5 4.25 3.6 3.222222222 4 4 4.333333333 3.75 2.6 4.444444444 2 3.5 3.666666667 3 2.4 3.222222222 4 5 4 3.75 3.4 4.555555556 3.5 5 4 3.75 4 3.666666667 3 3.5 3 2 3.2 4.666666667 4.5 5 4.666666667 4 4.4 4.333333333 5 5 3.333333333 3 3.2 3.888888889 4.5 4 4.666666667 3.25 4.6 3.666666667 3.5 3.5 4 4 4 3.666666667 5 4 5 4 4.6 4.888888889 3.5 3 3 2 2.6 3.777777778 5 5 4.666666667 3.5 3.6 3.333333333 4.5 4.5 3.333333333 3.75 3.6 3.333333333 3.5 4.5 3.666666667 4 3.4 3.888888889 5 3.5 3.666666667 4 3.4 4.333333333 4 4 4 4.25 3.6 3.777777778 4 3 3.666666667 4.5 4.2 4.333333333 3 3.5 3.333333333 2.25 2.6 2.777777778 4.5 4.5 4.333333333 4.75 3.8 4.333333333 3.5 3.5 2.666666667 3.5 3.2 3.666666667 4 3.5 3 3.5 3.4 3.777777778 4 3.5 3 3.75 3.6 4 4.5 5 5 4.75 3.6 3.777777778 2.5 2 2.666666667 3 2.4 3.444444444 4.5 5 4.333333333 4.25 3.8 3.888888889 3 1.5 3.333333333 4 3.2 3.777777778 4 4 4.333333333 4.25 4 4 5 5 5 3.75 4.2 4.444444444 3.5 4 3.333333333 2.75 3.6 3.444444444 2.5 3 3 2 2.6 3.666666667 2 3 4 4 3.4 3.111111111 4.5 5 4 5 4 4.666666667 5 5 4 5 4.2 4.222222222 4 3.5 4 3.25 3.8 3.888888889 3 4 3.333333333 2.75 3 3.777777778 3 3.5 3 3.75 2.8 3.111111111 4.5 4.5 4 3.75 3 3.888888889 1.5 1 4 3.5 3.2 2.777777778 3.5 5 4 4 3.8 4.333333333 4.5 5 2.666666667 3.75 3.4 2.777777778 3.5 3.5 3.666666667 3.75 3.4 3.555555556 4 4 3.333333333 4 3 3.888888889 4.5 4 5 4.75 3.8 4.555555556 4.5 5 4.333333333 5 4.2 3.777777778 4 4 3.666666667 3.5 3.8 3.666666667 4.5 4 4 4 3.6 3.555555556 3 3.5 3.666666667 3.5 3.6 3.777777778 3.5 4 3.666666667 2.75 3 2.777777778 4 4 4.666666667 4 3.8 4.222222222 3.5 5 4.666666667 4 3.8 4.111111111 4.5 4.5 4.666666667 3.75 3.6 4.222222222 4.5 4.5 4 4 4 4 2.5 2 3.333333333 3 3.6 4.333333333 3 2.5 4 3.25 2.4 3.444444444 4 5 3.666666667 2.75 3 4.444444444 5 4.5 5 5 3.4 3.777777778 2.5 3 3 2.75 3 3.666666667 4 4 3.666666667 3.5 3.4 3.555555556 4 4 4.666666667 4 4 3.666666667 5 4.5 3.333333333 3.75 2.2 3.555555556 3.5 4 4 3.25 2.8 3.111111111 4.5 2 3.333333333 3.75 2.8 3.555555556 4 2.5 4 3.25 2.4 3.777777778 4 5 4.333333333 4.25 3.8 4 5 5 4.333333333 4.5 4.4 4.222222222 4.5 4.5 4 3.5 3.2 3.444444444 4.5 4.5 4 3.25 3 4 3 3 3 3 3 3 4 3.5 3.333333333 4.25 3.6 3.444444444 2.5 2 2.333333333 1.5 2.4 3.111111111 1.5 3 4 2.25 3.4 3.333333333 3 2 4 3.75 2 3.222222222 3 2 4 3.75 2 3.222222222 5 5 4.333333333 4.25 3.6 3.444444444 4.5 3 4 4.75 3.2 3.888888889 4.5 4.5 5 5 4.4 4.666666667 2.5 3.5 2.666666667 2.5 2.4 3.111111111 3 2 2.333333333 2.25 2 4.222222222 3.5 4 3 3.75 4 3.777777778 4 4 3.666666667 4 4 3.111111111 4.5 4 3.666666667 4 3.8 3.333333333 1.5 3.5 2 2.25 2 2.888888889 2.5 3 2 2.5 2.6 3 2.5 2.5 2.666666667 2.25 3 3.444444444 4.5 2.5 3.666666667 4.25 3.8 3.888888889 5 3.5 4 4.25 3.4 3.666666667 3.5 2 4.333333333 4.75 3 3.777777778 4 4 3 2.5 2.4 3.333333333 3 3.5 3.333333333 3 2.8 3.111111111 2.5 3 3 2.25 2.6 3.333333333 4 4 3.333333333 2.75 3 3.222222222 3.5 2.5 4 4.25 4 3.555555556 2.5 1.5 2.333333333 2.25 2.4 3.777777778 3 2.5 4.333333333 3.5 3.2 3.777777778 5 5 3.333333333 4.75 3 3.888888889 5 3.5 3.333333333 4.25 3.4 4.444444444 3 2 3.666666667 3.25 3 3.777777778 2 1 2.666666667 2.75 2.4 3.111111111 4 3 4 3.5 3.4 3.888888889 2.5 1.5 1.333333333 1.75 2.2 3.444444444 3.5 4 4.333333333 4.25 3.2 3.666666667 5 4.5 4.333333333 4 3.2 4 4 2.5 3.333333333 3 3 3.333333333 3.5 3 4 2.5 3.4 3 1 1 2 2.5 1.4 3.333333333 3.5 3 2.666666667 2 2.8 2.777777778 4.5 5 4.333333333 4.5 4.2 4.333333333 4 4 4 3.75 4 4 2.5 5 3.333333333 4.5 3 3.444444444 4 4 3.333333333 3.5 2.6 3.666666667 3 4 3.333333333 4 4 3.333333333 3.5 3 2.666666667 2.75 3 3.444444444 5 4.5 3.666666667 4 3.2 3.555555556 4 4.5 4 4.25 3.8 3.666666667 5 4.5 4 5 3.2 4.777777778 4.5 4 4 3.5 3.8 3.888888889 4 4 3.666666667 4 3.4 4 5 5 4 4.25 3.8 4.666666667 2 1.5 3.333333333 2.75 2.8 3.444444444 3 3 4 3.25 3.2 2.888888889 4.5 4.5 4.333333333 2.75 3.2 4.222222222 2 1.5 3.333333333 2 2.8 3 3 2 2.333333333 2.25 2.2 3 3.5 2.5 3.666666667 2.25 3.4 3.444444444 4.5 4.5 3.333333333 3 4 3.555555556 4 4 4 3.75 4 4 3 2.5 3.666666667 4.5 3.4 4 2 2 3.333333333 2.5 2.6 2.777777778 4 2.5 4 3.75 4 3.666666667 4 3.5 3.666666667 4 3.4 3.555555556 4.5 3.5 4.666666667 4.5 3.2 4.444444444 3 4 4 3.75 3.8 4 2.5 4 4 4.25 4 4 2.5 3 3.333333333 4.25 3.4 3.888888889 4 3.5 3.666666667 3.5 2.8 3.444444444 4 4.5 4 4.25 4 3.444444444 4.5 4.5 4 3.25 3.8 4 3.5 3 4 4 3.6 4 4.5 4.5 2.666666667 3 3.4 4.111111111 4 4.5 3.666666667 4.25 3.4 3.444444444 3 4 2.666666667 2.5 2 3.444444444 3.5 3 2 2.25 2.4 2.888888889 4 3 4.333333333 3.75 3.8 3.888888889 4 5 3.666666667 3.5 3.8 3.555555556 3.5 4 3 4 4.2 4 3.5 5 3.666666667 4.25 4.2 4.111111111 4 4 4.666666667 4.5 3.4 3.777777778 4 3.5 3 3.5 3.8 3.666666667 4.5 3.5 4.333333333 4.25 4.2 3.888888889 4.5 4 4 3.5 3 3.444444444 4.5 4 4 3.75 2.8 4.222222222 4 3.5 3.666666667 3.5 3 4 1 1 3 2.5 2.6 3.555555556 4 2.5 2.333333333 2.25 2.8 3.111111111 4 3.5 3.333333333 3 2.8 3.666666667 4 2.5 4 3.25 3.8 3.444444444 3.5 2.5 3.666666667 3.5 3.4 3.777777778 5 5 3.666666667 4.5 3.8 3.666666667 4 4 3.666666667 3.75 3.6 4 5 3.5 4.333333333 3.5 4.2 4 2.5 3 3.666666667 2.5 2.4 3.222222222 2 3 2.666666667 2.25 3 3.444444444 5 2.5 3.666666667 4.25 3.8 3.888888889 4 3.5 3.333333333 3 3.2 3.444444444 3.5 4 4 4 3.8 3.888888889 2.5 3.5 2.666666667 2.75 3.2 4 3.5 4 4.333333333 3.25 3.6 3.888888889 4.5 4.5 3.333333333 3 3.6 4.222222222 4 2.5 3.666666667 3.75 3 3.111111111 4 2.5 3.666666667 3.75 3 3.111111111 1 2.5 2.666666667 2.5 2.2 3.111111111 4.5 5 4.333333333 4 3.6 3.777777778 4 2.5 4 2.75 2.6 3.444444444 2.5 2.5 3 3.5 1.8 4.888888889 3.5 4 5 4.25 4.2 4 4 5 4 4 3.8 4 3.5 3.5 4.666666667 4 2.6 3.777777778 2.5 1 2.333333333 2.75 3 3.555555556 5 3 3.666666667 4 3.6 4 3 1.5 3.333333333 3.25 3.2 4.222222222 3 3 2.333333333 1.75 2 3.111111111 2.5 2 3.666666667 3.25 2.4 4.111111111 3.5 2 3.666666667 3.5 3.6 3.555555556 4 4 3.333333333 3.5 3.4 4 4 3.5 3 2.25 3 3.333333333 2 2.5 3.666666667 3.75 3.2 4.222222222 4.5 4.5 4 4 3.8 4.111111111 2 2.5 3.333333333 2.75 3 3.666666667 5 3 4.333333333 5 4.8 4.777777778 3 2.5 3.333333333 3.5 3 2.888888889 3 1 3.333333333 2.25 2.8 3.666666667 4 4 4 4 3.2 3.777777778 4 3.5 4 3.25 3.2 4 4 4.5 4 3.75 4 4 4 4.5 4 3.75 4 4 4 4.5 4 3.75 4 4 4 5 4 3.75 4 4.333333333 3.5 3 2.333333333 3.5 2.8 3.666666667 3.5 4.5 4.666666667 3.75 4.4 3.888888889 4 4.5 3 3.25 3.2 2.777777778 5 3 2.666666667 3 1.8 2.888888889 5 5 4.333333333 4.25 2.8 3.888888889 1.5 2.5 2 2 2.2 1.777777778 4 4.5 4 4.25 4.6 4.444444444 1 2 2.666666667 2.5 2 1.555555556 2 1 2 2.25 2 2.444444444 2 1.5 2 2.25 1.6 2.333333333 4.5 4.5 4 3.75 4.2 4.222222222 5 5 3.333333333 3.5 3.6 4.222222222 3 3 3 3 3 3 5 4.5 3.666666667 4 4 4.444444444 5 4 4.666666667 4.75 3.4 4.444444444 1.5 1 2 1.5 1 2.111111111 4.5 3 3 2.75 2.8 3.222222222 4.5 4.5 3.666666667 4 3.8 4.111111111 3 3 3 3 3 3 2.5 2 2.666666667 3 2.4 2.888888889 2 1.5 2 2 2 2.666666667 2 1.5 3.333333333 2.75 2.2 3.222222222 3 2 2 2 3 2.888888889 3 3 3 3 3 3 4 4 4 4 4 3.888888889 4 3 4 4.5 4 4.333333333 2.5 3.5 4.333333333 4 4 4.222222222 3.5 4 4 3.75 3.8 4 3 1.5 4 5 3.2 4.111111111 5 5 3.333333333 2.5 4.2 4 4 4 3 3.75 4.4 3.555555556 4 3 4 3.5 3.4 3.666666667 4.5 5 4.666666667 3.5 4.2 4.333333333 2.5 4 2 2 3.8 3.777777778 5 5 4.333333333 4.75 4.6 4.333333333 4 3.5 4 4.25 4.2 4 4.5 5 4.333333333 4.5 4.4 3.666666667 4 3 2 2.5 2.2 3.333333333 3.5 3.5 4 3.75 4 4.333333333 5 4.5 3.333333333 4 3.6 4.111111111 5 3 3 3 3.2 4.111111111 4.5 3.5 4 3.25 3.6 3.888888889 2 3 2.333333333 2.5 2.6 3.555555556 2 2 3.333333333 3.5 3.4 4 4 3 3.666666667 3.75 4 4 4.5 4 5 5 4 4.555555556 5 4.5 3.333333333 2.25 3 4 4 4 4 3 3.6 4.111111111 2.5 3 3.333333333 3.25 3 3.222222222 5 3 4 4 3.8 4.333333333 4 5 3.666666667 3 3.8 4.111111111 3.5 4 3.666666667 3.5 3.8 3.555555556 4 4 4 3.75 4 4 4 3.5 5 4.75 4 4.777777778 4.5 2 4 4 3.2 3.333333333 4 4.5 3.666666667 4 3.6 3.666666667 3 4 3 3.5 3.4 3.111111111 4 5 3.666666667 3.5 3.6 3.333333333 4 4 3.666666667 3.5 2.6 3.111111111 2.5 3 3 3.25 4 4.333333333 4.5 3.5 5 4.5 4.2 3.777777778 4 4 4 3.75 3.4 3.777777778 4 2.5 3 3.75 3.8 3.222222222 4 5 4 3.75 4 3.555555556 3 1 4 3.25 3 3.666666667 3 3 3 3.5 3 3 4.5 3.5 3 3.75 3.8 3.888888889 4 2.5 3.666666667 3.5 3.6 4.222222222 4.5 4 4 4.75 4.4 4.444444444 5 3.5 4 4 4 3.777777778 4 3.5 4 4 3.6 3.777777778 4 5 4 3 2.8 2.888888889 3.5 3.5 2 2.5 3 4.333333333 3.5 3 3.666666667 2.75 3.4 3.777777778 5 5 4 3.25 3.2 4.333333333 4 3 3 3.5 3.4 2.888888889 3.5 2.5 3.666666667 2.75 3 3.333333333 5 4 3 2.75 3.4 3.777777778 3.5 4 3.333333333 4 3.6 3.777777778 3.5 2.5 3.333333333 2.25 3.2 3.222222222 4.5 4 3 4 3.6 4.555555556 4.5 5 4 4.75 4.4 4.777777778 4 3.5 3.666666667 3.25 3.2 3.444444444 3 3.5 3 3.75 3.2 3.666666667 4 3.5 3 3.5 4 3.777777778 4.5 3.5 4 3.75 3.6 3.333333333 1 1 2 2.75 3.2 2.555555556 3 2 3.333333333 3.5 3.2 3.222222222 4 3 4 3.75 4 3.888888889 4 3.5 3.666666667 4.25 4.2 4.444444444 3.5 4.5 4.666666667 4 3.6 3 4 4.5 2.666666667 3.25 3 3.333333333 3 2 3 3.75 3.6 3 5 4.5 3.333333333 3.5 3.6 3.222222222 5 4.5 3.333333333 3.75 4 3.666666667 5 4 3.333333333 3.5 3.6 3.555555556 4 3.5 3.666666667 3 3.2 3.666666667 4 4.5 3.333333333 3 3.8 4 3.5 3.5 4 3.75 4 3.777777778 5 3 4.666666667 4.25 4.4 5 2.5 3.5 3.333333333 3.25 3.6 3.333333333 1.5 1 2.666666667 1.25 1.6 2.444444444 1 1.5 2.666666667 1.75 2.6 2.666666667 1.5 2 2.333333333 2.5 2.6 2.777777778 2 2.5 3.666666667 3.75 3.6 2.888888889 1 1 2 2.25 2.4 3 3 3 3 2.25 3.2 3 4 4 4 3.75 4.2 3.888888889 4 2.5 4 3.5 4 4 2.5 2 4 2.75 3.6 3.555555556 5 5 3 4.5 4.4 3.888888889 4.5 5 5 5 4.6 3.888888889 4 5 5 5 4.6 4 4.5 4.5 4.333333333 4 4.2 4.111111111 4 2.5 3 3.75 3.2 3.666666667 2.5 2.5 4 3.5 2.8 2.777777778 3.5 3.5 3 3.25 3.6 3.888888889 4.5 5 5 4.5 4.4 4.111111111 4 4.5 3.666666667 3.5 4 4 2 4 3.666666667 3 3.6 3.888888889 3.5 4 2 2.25 2.4 3.222222222 4 4 4.666666667 4.75 3.4 3.888888889 3.5 4 3.666666667 3.25 3 3.444444444 3.5 4 2.666666667 3 3.6 3.333333333 4.5 3.5 3.333333333 3.5 3.6 4.111111111 3 3 3.333333333 1.5 3 4 3.5 4 3 3.5 3.2 3.888888889 2 1 2.666666667 2.75 3 3.555555556 3 2.5 3 2.75 3.2 3.777777778 5 2 3.333333333 3.5 3.8 4.111111111 4.5 4.5 3.666666667 3 3.8 4 5 5 4.666666667 4.75 4.6 4.333333333 4 3 4 3.25 4 4.111111111 2 2 3 3.5 3.6 3.444444444 4 5 4.333333333 4.25 4.2 4.444444444 2.5 3 2.666666667 3 3.8 4.222222222 4 3.5 4 4 3.6 3.888888889 4.5 3.5 4.666666667 3.75 3.8 4.222222222 4 4 3 3.75 3.4 3.555555556 2 3 3.333333333 3.75 4.2 4.555555556 4 2.5 4 4 3.8 3.111111111 5 3 4 3.75 4.8 4.444444444 3 3.5 3 3 2.4 2.777777778 3.5 3 3 3.25 3 3.111111111 5 4.5 4 3.5 3.6 4.111111111 4.5 4.5 5 4.25 3.8 4.111111111 4 3.5 4 3.5 4.4 4.444444444 1.5 3 3.666666667 3.5 3.8 2.888888889 4 3.5 2.666666667 3.5 3.2 3.333333333 3.5 3.5 3.666666667 3.75 3.8 3.555555556 3.5 4 3.666666667 2.75 3.6 3.444444444 4 3.5 3.333333333 2.75 3.6 3.111111111 4 4 4 4 3.8 3.777777778 3.5 3.5 3 3 4.2 4.333333333 3.5 2 3.666666667 3 3.8 3.666666667 4.5 5 5 4.75 4.4 4.777777778 4.5 4 4.666666667 4.5 4.6 4.111111111 4.5 4 2 4 3.4 3.444444444 2 1 3 4 3.6 3.444444444 3 3 3 3.25 3.8 3.777777778 3 2 2.666666667 2.75 3 3.555555556 3 2 2.333333333 2.5 2.8 3 4 4.5 3.333333333 3.5 3.6 3.777777778 1.5 1 2 3.5 3.4 3.111111111 4 3 3 3.5 3.8 3.555555556 4 3.5 3 4 3.2 4.333333333 3 2 2.333333333 2.5 2.8 3.111111111 5 5 3.666666667 4 4 4.333333333 1 1.5 3 1.75 3.2 3.555555556 4.5 3.5 4 4 3.6 4 3 2 3 3.75 3.2 3.444444444 3 4 3.333333333 4.25 4.2 4.333333333 2.5 2 3.666666667 2.75 3.2 2.555555556 2 2.5 2.333333333 2.75 2.8 2.777777778 3.5 3 4 2.5 3.2 3.555555556 2.5 2.5 2.666666667 3.25 3.8 3.555555556 4 4.5 4.333333333 3.5 3.8 4 3 3 3.666666667 3.25 3.8 4.333333333 4.5 4 3.666666667 3.25 3.6 3.444444444 3 2 4 3 3.2 3.555555556 2 2 3.666666667 2.5 2.8 3.111111111 3.5 4 4 3.75 3.8 3.777777778 1 2 1 1.5 2.2 3.111111111 4 5 3.333333333 3.75 3.6 4.222222222 4.5 4 4.333333333 3.75 3.6 3.888888889 3 2.5 3.333333333 2.75 3.2 3.555555556 2.5 1.5 2 3.5 4 2.888888889 3.5 3.5 3.666666667 3.5 3.6 3.555555556 4 3 4 4 4 3.111111111 2 2.5 3 3 3.2 3.444444444 4.5 2.5 3.333333333 3.75 3.6 3.666666667 4.5 4.5 5 5 3.8 4.222222222 4.5 1 3 3 3.8 4.222222222 3.5 3.5 2 2.25 3 4 2.5 3.5 3 3.25 3.4 3.444444444 3.5 2.5 5 3.75 4.2 4 4.5 4.5 5 4.75 4.8 4.777777778 4 2 3 2.75 3.2 4.111111111 3 2.5 3.666666667 2.75 2.6 3.111111111 4.5 4.5 3 4.25 4.2 3.888888889 4 3.5 3.666666667 3.75 3.2 3.777777778 3.5 3 3.333333333 3.5 3.4 4.444444444 3.5 4 3 3.75 3.4 3.444444444 3.5 3.5 2 2.75 3.6 4.555555556 4 3 4 3 3.6 3.888888889 5 4 4.333333333 3.75 4.6 4.222222222 3 3 4 4 4 4.111111111 3 3.5 4 4 4 3.444444444
Names of X columns:
Intention_to_Use Relative_Advantage Perceived_Usefulness Perceived_Ease_of_Use Information_Quality System_Quality
Sample Range:
(leave blank to include all observations)
From:
To:
Color
grey
grey
white
blue
red
black
brown
yellow
Omit all rows with missing values?
no
no
yes
Chart options
Title:
Label y-axis:
Label x-axis:
R Code
if(par2=='yes') { z <- na.omit(as.data.frame(t(y))) } else { z <- as.data.frame(t(y)) } bitmap(file='test1.png') (r<-boxplot(z ,xlab=xlab,ylab=ylab,main=main,notch=TRUE,col=par1)) dev.off() load(file='createtable') a<-table.start() a<-table.row.start(a) a<-table.element(a,'Boxplot statistics',6,TRUE) a<-table.row.end(a) a<-table.row.start(a) a<-table.element(a,'Variable',1,TRUE) a<-table.element(a,'lower whisker',1,TRUE) a<-table.element(a,'lower hinge',1,TRUE) a<-table.element(a,'median',1,TRUE) a<-table.element(a,'upper hinge',1,TRUE) a<-table.element(a,'upper whisker',1,TRUE) a<-table.row.end(a) for (i in 1:length(y[,1])) { a<-table.row.start(a) a<-table.element(a,dimnames(t(x))[[2]][i],1,TRUE) for (j in 1:5) { a<-table.element(a,r$stats[j,i]) } a<-table.row.end(a) } a<-table.end(a) table.save(a,file='mytable.tab') a<-table.start() a<-table.row.start(a) a<-table.element(a,'Boxplot Notches',4,TRUE) a<-table.row.end(a) a<-table.row.start(a) a<-table.element(a,'Variable',1,TRUE) a<-table.element(a,'lower bound',1,TRUE) a<-table.element(a,'median',1,TRUE) a<-table.element(a,'upper bound',1,TRUE) a<-table.row.end(a) for (i in 1:length(y[,1])) { a<-table.row.start(a) a<-table.element(a,dimnames(t(x))[[2]][i],1,TRUE) a<-table.element(a,r$conf[1,i]) a<-table.element(a,r$stats[3,i]) a<-table.element(a,r$conf[2,i]) a<-table.row.end(a) } a<-table.end(a) table.save(a,file='mytable1.tab')
Compute
Summary of computational transaction
Raw Input
view raw input (R code)
Raw Output
view raw output of R engine
Computing time
0 seconds
R Server
Big Analytics Cloud Computing Center
Click here to blog (archive) this computation