Le remodelage des données est une étape inestimable dans le processus de préparation d'un tableau de données pour une analyse et une modélisation plus poussées. Pour la plupart des analyses, nous organisons les données dans un format tabulaire bidimensionnel dans lequel chaque ligne est une observation ou un cas individuel, et chaque colonne contient une mesure ou un attribut se rapportant à cet individu. Il y a des moments, cependant, où ce n'est pas la seule option ou même l'option préférée.
Considérons une simple étude pilote pour une expérience contrôlée. L'expérience étudie l'effet d'une activité d'entraînement destinée à augmenter le score d'un sujet dans l'exécution d'une tâche. Supposons que l'expérience soit conçue de sorte que chaque sujet de l'étude complète un pré-test et un post-test, et que les scores soient enregistrés. Il y a huit sujets pilotes identifiés en tant qu'individus A à H, dont quatre sont assignés au hasard pour utiliser l'activité. Les quatre autres constituent le groupe témoin.
Après la collecte des données, nous aurons deux scores pour chaque personne, et nous saurons quels individus se trouvaient dans chaque groupe. Quels sont nos choix pour placer les données dans une seule matrice ou table de données ?
Format large ou format long
Si nous suivons la convention d'attribution d'une ligne par sujet expérimental, notre tableau de données pourrait ressembler à ceci :
Tableau 1 : Large éventail de données expérimentales artificielles
Sujet
|
Groupe
|
Pré
|
Poste
|
UN
|
Exp
|
51
|
48
|
B
|
Ctrl
|
53
|
42
|
C
|
Ctrl
|
48
|
56
|
D
|
Exp
|
44
|
49
|
E
|
Exp
|
47
|
59
|
F
|
Ctrl
|
42
|
43
|
g
|
Ctrl
|
52
|
39
|
H
|
Exp
|
48
|
49
|
Ce format est souvent qualifié de « large » : tous les attributs et mesures d'un individu donné sont répartis sur plusieurs colonnes. Dans cet exemple, nous avons une matrice de huit lignes et quatre colonnes avec une redondance minimale.
Une alternative au format large consiste à réorganiser les mêmes données dans un arrangement "étroit" ou "grand". Cela introduit une certaine redondance dans le Sujet , Groupe , et Test colonnes en échange du traitement du test (pré- ou post-) comme une variable catégorielle et du traitement de tous les scores comme une seule variable numérique.
Tableau 2 : Arrangement long des mêmes données
Sujet
|
Groupe
|
Test
|
Score
|
UN
|
Exp
|
Pré
|
51
|
UN
|
Exp
|
Poste
|
48
|
B
|
Ctrl
|
Pré
|
53
|
B
|
Ctrl
|
Poste
|
42
|
C
|
Ctrl
|
Pré
|
48
|
C
|
Ctrl
|
Poste
|
56
|
D
|
Exp
|
Pré
|
44
|
D
|
Exp
|
Poste
|
49
|
E
|
Exp
|
Pré
|
47
|
E
|
Exp
|
Poste
|
59
|
F
|
Ctrl
|
Pré
|
42
|
F
|
Ctrl
|
Poste
|
43
|
g
|
Ctrl
|
Pré
|
52
|
g
|
Ctrl
|
Poste
|
39
|
H
|
Exp
|
Pré
|
48
|
H
|
Exp
|
Poste
|
49
|
En fin de compte, la décision concernant la forme préférée d'un tableau de données doit être guidée par la logique de vos objectifs analytiques. Lors de la conception d'une expérience ou d'une collecte de données à partir de zéro, vous devez considérer les objectifs analytiques dès le départ. Souvent, cependant, la mise en page d'un tableau de données a été choisie plus tôt par d'autres, et le travail de l'analyste consiste à rendre les données dans un format qui convient à l'objectif actuel.
Raisons des formats larges et longs
La raison la plus courante pour organiser les données dans un format large est peut-être que nous travaillons avec des données de mesures longitudinales ou répétées. Certaines plates-formes d'analyse peuvent exiger que chaque mesure répétée soit traitée comme une variable. (Voir, par exemple, Grâce-Martin 2015 , ou SAS Institute 2016a.) Pour certaines procédures, JMP peut modéliser des mesures répétées dans un format large ou long, comme indiqué dans SAS Institute 2016b. Étant donné que des mesures répétées du même sujet ou de la même unité d'observation sont susceptibles d'être corrélées les unes aux autres, il est préférable de les traiter comme des variables multiples plutôt que comme une seule variable.
Lorsque l'objectif analytique implique de considérer explicitement le temps comme un facteur ou un prédicteur, comme dans la modélisation ou la visualisation de séries chronologiques, un format long peut être plus approprié. Par exemple, un tableau de données doit être long pour utiliser la dimension Temps sur le JMP Graphique à bulles plateforme.
Les deux sections suivantes illustrent la méthode JMP pour convertir le format large en format étroit et vice versa. L'illustration initiale utilise cet ensemble de données artificielles uniquement pour présenter simplement la méthode avant de passer à des illustrations plus complexes.
Empiler de larges données
Dans cet exemple d'introduction, l'état initial des données est large avec une ligne par sujet et les deux mesures occupant des colonnes séparées. En d'autres termes, les deux mesures sont traitées comme deux variables. La figure 1 montre l'état initial de la table de données. Étant donné que la conception de cette étude hypothétique utilise des paires appariées, nous pourrions passer directement à l'analyse avec le tableau de données.
À d'autres fins analytiques, il pourrait être utile de r e façonner la table au format étroit. Nous utilisons le Empiler commande dans le les tables menu.
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 FormatFigure 1 : Exemple de tableau de données au format large
- Sélectionner les tables > Empiler pour ouvrir la boîte de dialogue illustrée à la figure 2.
- L'objectif est de créer une nouvelle colonne qui représente l'administration du test en tant que variable catégorielle (pré- et post-) et empile tous les scores dans une seule colonne. Pour ce faire, nous sélectionnons les deux colonnes courantes ( Pré et Poste ), et cliquez sur Empiler les colonnes .
Par défaut, JMP nommera la nouvelle colonne quantitative Données et l'identifiant catégoriel (c'est-à-dire les noms de colonne d'origine) comme Étiqueter . Il est probablement préférable de sélectionner des titres de variables plus significatifs.
- Dans le coin inférieur droit de la boîte de dialogue, spécifiez un titre de colonne descriptif pour les scores et pour la phase expérimentale.
- Complétez la boîte de dialogue comme illustré à la figure 2 et cliquez sur D'ACCORD .
Figure 2: The Stack DialogFigure 2: The Stack DialogFigure 2: The Stack DialogFigure 2: The Stack DialogFigure 2 : La boîte de dialogue Pile
Un nouveau tableau de données s'ouvre avec les 16 mesures représentées au format étroit (long). Votre tableau de données devrait maintenant ressembler à la figure 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, FormatFigure 3 : Les données expérimentales en format étroit ou empilé
Désempiler les données étroites
Supposons que les données aient été initialement enregistrées dans le format étroit (similaire au tableau 2 et à la figure 3), mais que nous voulions les réorganiser dans le format large. Pour continuer avec l'exemple et inverser le processus, nous utiliserons le Diviser plate-forme dans la les tables menu. La boîte de dialogue apparaît dans la figure 4. Ici, nous devons spécifier la colonne qui identifie la base du dépilage (dans ce cas, la Test colonne) ainsi que la colonne contenant les données qui rempliront les multiples nouvelles colonnes.
Par défaut, JMP supprimera toutes les colonnes à l'exception de celles choisies dans la spécification de fractionnement. Pour cet exemple, il sera logique de conserver les informations sur le sujet et le groupe expérimental.
- Alors cliquez sur le bouton à côté de Garde tout sous Restant Colonnes comme le montre la figure 4. La boîte de dialogue offre également la possibilité de renommer le nouveau tableau large.
- Complétez la boîte de dialogue comme indiqué et cliquez sur Créer .
Figure 4: Split Table dialogFigure 4: Split Table dialogFigure 4: Split Table dialogFigure 4: Split Table dialogFigure 4 : Boîte de dialogue Fractionner le tableau Les résultats de cette commande apparaissent dans la figure 5. Cela nous ramène presque à la boucle, à la seule exception près que JMP classe par ordre alphabétique l'ordre des colonnes fractionnées. Ainsi, contrairement à la figure 1, les données post-test sont maintenant la troisième plutôt que la quatrième colonne. Vous auriez besoin de le noter en utilisant le Paires assorties plate-forme pour un échantillon de paire t -test ou intervalle de confiance.Depuis JMP 13, le Paires assorties la plateforme fait partie des Analyse > Modélisation spéciale options. Les utilisateurs expérimentés de JMP l'ont déjà trouvé dans le Analyser menu.
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 FormatFigure 5 : Les données expérimentales après fractionnement au format large
Le contenu de ce billet est un extrait du chapitre 7 de mon livre, Préparation des données pour l'analyse avec JMP , où vous trouverez d'autres techniques d'utilisation des tables et de nombreux autres conseils de nettoyage des données.
Les références
