But when a dataset is large or has

But when a dataset is large or has multiple modes of different values, it is harder to find the most frequently occurring values. Then values are often grouped into bins before calculating the frequency of occurrence.
We have grouped the 31 Asheville high temperature values into five-degree bins and counted the number of values (occurrences) in each bin. There are six values between 60 and 64, and four between 75 and 79, etc.

Results (Thai) 1:

แต่เมื่อการชุดข้อมูลขนาดใหญ่ หรือมีค่าแตกต่างกันหลายรูปแบบ หนักที่ค้นพบเกิดขึ้นบ่อยที่สุด แล้ว ค่ามักจะแบ่งช่องก่อนการคำนวณความถี่ของเหตุการณ์เรามีค่าอุณหภูมิสูง Asheville 31 จัดช่องห้าองศา และนับจำนวนค่า (เกิด) ในแต่ละช่องเก็บ มี 6 ค่าระหว่าง 60 และ 64 และสี่ระหว่าง 75 และ 79 ฯลฯ

Results (Thai) 2:

แต่เมื่อชุดข้อมูลที่มีขนาดใหญ่หรือมีหลายรูปแบบของค่าที่แตกต่างกันก็เป็นเรื่องยากที่จะหาเกิดขึ้นบ่อยที่สุดค่า แล้วค่าจะถูกจัดกลุ่มมักจะเป็นถังขยะก่อนที่จะคำนวณความถี่ของการเกิดขึ้น.
เราได้จัดกลุ่มที่ 31 แอชวิลค่าอุณหภูมิสูงในถังขยะห้าองศาและนับจำนวนของค่า (เกิดขึ้น) ในถังแต่ละ มีหกค่าระหว่าง 60 และ 64 และสี่ระหว่าง 75 และ 79, ฯลฯ

Results (Thai) 3:

แต่เมื่อข้อมูลมีขนาดใหญ่หรือมีหลายโหมดของค่าที่แตกต่างกัน มันเป็นยากที่จะหาที่เกิดขึ้นบ่อยที่สุดค่า แล้วค่ามักจะจัดกลุ่มลงในถังขยะก่อนที่จะคำนวณความถี่ของเหตุการณ์ .
เราได้จัดกลุ่ม 31 Asheville สูงค่าอุณหภูมิในถังขยะห้าระดับและนับจำนวนค่า ( เกิด ) ในแต่ละถัง มีหกค่าระหว่าง 60 และ 64 ,และสี่ระหว่าง 75 และ 79 , ฯลฯ