La remodelación de los datos es una etapa invaluable en el proceso de preparación de una tabla de datos para su posterior análisis y modelado. Para la mayoría de los análisis, organizamos los datos en un formato tabular bidimensional en el que cada fila es una observación o un caso individual, y cada columna contiene una medida o atributo perteneciente a ese individuo. Sin embargo, hay momentos en que esta no es la única opción o incluso la opción preferida.
Considere un estudio piloto simple para un experimento controlado. El experimento investiga el efecto de una actividad de entrenamiento destinada a aumentar la puntuación de un sujeto en la realización de una tarea. Suponga que el experimento está diseñado para que cada sujeto en el estudio complete una prueba previa y posterior, y se registren los puntajes. Hay ocho sujetos piloto identificados como individuos A a H, cuatro de los cuales se asignan al azar para usar la actividad. Los otros cuatro son el grupo de control.
Después de la recopilación de datos, tendremos dos puntajes para cada persona y sabremos qué personas estaban en cada grupo. ¿Cuáles son nuestras opciones para colocar los datos en una sola matriz o tabla de datos?
Formato ancho versus formato largo
Si seguimos la convención de asignar una fila por sujeto experimental, nuestra tabla de datos podría verse así:
Tabla 1: Amplia gama de datos experimentales artificiales
Sujeto
|
Grupo
|
Pre
|
Correo
|
A
|
Exp
|
51
|
48
|
B
|
Control
|
53
|
42
|
C
|
Control
|
48
|
56
|
D
|
Exp
|
44
|
49
|
mi
|
Exp
|
47
|
59
|
F
|
Control
|
42
|
43
|
GRAMO
|
Control
|
52
|
39
|
H
|
Exp
|
48
|
49
|
Este formato a menudo se denomina "amplio": todos los atributos y medidas de un individuo determinado se distribuyen en varias columnas. En este ejemplo, tenemos una matriz de ocho filas y cuatro columnas con redundancia mínima.
Una alternativa al formato ancho es reorganizar los mismos datos en un arreglo "estrecho" o "alto". Esto introduce cierta redundancia en el Sujeto , Grupo , y Prueba columnas a cambio de tratar la prueba (antes o después) como una variable categórica y tratar todos los puntajes como una única variable numérica.
Tabla 2: Disposición larga de los mismos datos
Sujeto
|
Grupo
|
Prueba
|
Puntaje
|
A
|
Exp
|
Pre
|
51
|
A
|
Exp
|
Correo
|
48
|
B
|
Control
|
Pre
|
53
|
B
|
Control
|
Correo
|
42
|
C
|
Control
|
Pre
|
48
|
C
|
Control
|
Correo
|
56
|
D
|
Exp
|
Pre
|
44
|
D
|
Exp
|
Correo
|
49
|
mi
|
Exp
|
Pre
|
47
|
mi
|
Exp
|
Correo
|
59
|
F
|
Control
|
Pre
|
42
|
F
|
Control
|
Correo
|
43
|
GRAMO
|
Control
|
Pre
|
52
|
GRAMO
|
Control
|
Correo
|
39
|
H
|
Exp
|
Pre
|
48
|
H
|
Exp
|
Correo
|
49
|
En última instancia, la decisión sobre la forma preferida de una tabla de datos debe basarse en la lógica de sus objetivos analíticos. Al diseñar un experimento o una recopilación de datos desde cero, debe considerar los objetivos analíticos desde el principio. Sin embargo, con frecuencia, el diseño de una tabla de datos fue elegido en un momento anterior por otros, y el trabajo del analista es convertir los datos en un formato que se adapte al propósito actual.
Razones para formatos anchos y largos
Quizás la razón más común para organizar los datos en un formato ancho es que estamos trabajando con datos de medidas longitudinales o repetidas. Algunas plataformas de análisis pueden requerir que cada medición repetida se trate como una variable. (Véase, por ejemplo, Grace Martin 2015 , o SAS Institute 2016a.) Para algunos procedimientos, JMP puede modelar medidas repetidas en formato ancho o largo, como se analiza en SAS Institute 2016b. Debido a que es probable que las medidas repetidas del mismo sujeto o unidad de observación estén correlacionadas entre sí, es mejor tratarlas como múltiples variables en lugar de una sola variable.
Cuando el objetivo analítico implica ver explícitamente el tiempo como un factor o predictor, como en el modelado o la visualización de series de tiempo, entonces un formato largo podría ser más adecuado. Por ejemplo, una tabla de datos debe ser larga para usar la dimensión de tiempo en el JMP Gráfico de burbujas plataforma.
Las siguientes dos secciones ilustran el método JMP para convertir formato ancho a estrecho y viceversa. La ilustración inicial utiliza este conjunto de datos artificiales solo para presentar el método antes de pasar a ilustraciones más complejas.
Apilamiento de datos amplios
En este ejemplo introductorio, el estado inicial de los datos es amplio, con una fila por sujeto y las dos medidas que ocupan columnas separadas. En otras palabras, las dos medidas se tratan como dos variables. La Figura 1 muestra el estado inicial de la tabla de datos. Debido a que el diseño de este estudio hipotético usa pares emparejados, podemos pasar directamente al análisis con la tabla de datos.
Para otros propósitos analíticos, podría ser útil r mi dar forma a la mesa al formato estrecho. usamos el Pila comando en el Mesas menú.
Figure 1: Example Data Table in Wide FormatFigure 1: Example Data Table in Wide FormatFigure 1: Example Data Table in Wide FormatFigure 1: Example Data Table in Wide FormatFigura 1: Tabla de datos de ejemplo en formato ancho
- Seleccionar Mesas > Pila para abrir el cuadro de diálogo que se muestra en la Figura 2.
- El objetivo es crear una nueva columna que represente la administración de la prueba como una variable categórica (antes y después) y apilar todas las puntuaciones en una sola columna. Para ello, seleccionamos las dos columnas actuales ( Pre y Correo ) y haga clic en Apilar columnas .
Por defecto, JMP nombrará la nueva columna cuantitativa Datos y el identificador categórico (es decir, los nombres de las columnas originales) como Etiqueta . Probablemente sea mejor seleccionar títulos de variables más significativos.
- En la parte inferior derecha del cuadro de diálogo, especifique un título de columna descriptivo para las puntuaciones y para la fase experimental.
- Complete el cuadro de diálogo como se muestra en la Figura 2 y haga clic en DE ACUERDO .
Figure 2: The Stack DialogFigure 2: The Stack DialogFigure 2: The Stack DialogFigure 2: The Stack DialogFigura 2: El cuadro de diálogo Pila
Se abre una nueva tabla de datos con las 16 medidas representadas en formato estrecho (largo). Su tabla de datos ahora debería verse como la Figura 3.
Figure 3: The Experimental Data in Narrow, or Stacked, FormatFigure 3: The Experimental Data in Narrow, or Stacked, FormatFigure 3: The Experimental Data in Narrow, or Stacked, FormatFigure 3: The Experimental Data in Narrow, or Stacked, FormatFigura 3: Los datos experimentales en formato estrecho o apilado
Desapilar datos estrechos
Suponga que los datos se registraron inicialmente en el formato estrecho (similar a la Tabla 2 y la Figura 3), pero queremos reorganizarlos en el formato ancho. Para continuar con el ejemplo y para invertir el proceso, usaremos el Dividir plataforma en el Mesas menú. El cuadro de diálogo aparece en la Figura 4. Aquí necesitamos especificar la columna que identifica la base para desapilar (en este caso, el Prueba columna) así como la columna que contiene los datos que llenarán las múltiples columnas nuevas.
De forma predeterminada, JMP eliminará todas las columnas excepto las elegidas en la especificación dividida. Para este ejemplo, tendrá sentido conservar la información sobre el sujeto y el grupo experimental.
- Así que haga clic en el botón junto a Mantener todo bajo Restante columnas como se muestra en la Figura 4. El cuadro de diálogo también ofrece la opción de cambiar el nombre de la nueva tabla ancha.
- Complete el cuadro de diálogo como se muestra y haga clic en Crear .
Figure 4: Split Table dialogFigure 4: Split Table dialogFigure 4: Split Table dialogFigure 4: Split Table dialogFigura 4: cuadro de diálogo Dividir tabla Los resultados de este comando aparecen en la Figura 5. Esto casi nos lleva al punto de partida, con la única excepción de que JMP ordena alfabéticamente el orden de las columnas divididas. Entonces, en contraste con la Figura 1, los datos posteriores a la prueba ahora son la tercera columna en lugar de la cuarta. Debería tener esto en cuenta al usar el Pares emparejados plataforma para una muestra de pares t -test o intervalo de confianza.Desde la JMP 13, la Pares emparejados La plataforma está entre las Analizar > Modelado especial opciones Los usuarios veteranos de JMP lo han encontrado previamente en el Analizar menú.
Figure 5: The Experimental Data after Split to Wide FormatFigure 5: The Experimental Data after Split to Wide FormatFigure 5: The Experimental Data after Split to Wide FormatFigure 5: The Experimental Data after Split to Wide FormatFigura 5: Los datos experimentales después de la división en formato ancho
El contenido de esta publicación es un extracto del Capítulo 7 de mi libro, Preparación de datos para análisis con JMP , donde encontrarás más técnicas para trabajar con tablas, y muchos más consejos de limpieza de datos.
Referencias
