349276_de-DE

liliconcom

Eine dunkle Geschichte: Visuelles Geschichtenerzählen mit JMP® (2021-EU-30MP-792)

Level: Mittelstufe

 

Caleb King, JMP-Forschungsstatistiker, SAS

 

In diesem Vortrag zeigen wir Ihnen, wie Sie die zahlreichen grafischen Funktionen in JMP, einschließlich der neuen Funktionen in JMP 16, verwenden können, um die Geschichte Ihrer Daten zu erzählen. Anhand der FBI-Datenbank zu gemeldeten Hassverbrechen von 1991 bis 2019 werden wir zeigen, wie wichtige Tools in der grafischen Toolbox von JMP, wie Graphlets und interaktive Funktionsänderungen, den Betrachter zu neuen Erkenntnissen führen können. Aber der Spaß hört nicht bei Grafiken auf. Wir zeigen auch, wie Sie Ihrem Publikum ermöglichen können, „sein eigenes Abenteuer zu wählen“, indem Sie Tabellenskripte erstellen, um Ihre Daten in kleinere Datensätze zu unterteilen, von denen jeder über eigene Diagramme verfügt, die neue Perspektiven für die gesamte Erzählung bieten. Und mach dir keine Sorgen. Nicht alles ist so dunkel wie es scheint ...

 

 

Automatisch generiertes Transkript ...

 

Lautsprecher	Transkript
Caleb King	Hallo, mein Name ist Caleb King, ich bin Entwickler bei der JMP-Software. Ich bin speziell in der Gestaltung der Experimentiergruppe, aber heute werde ich es sein
	ein wenig abseits des Themas und darüber sprechen, wie Sie die Grafiken und einige der anderen Tools in JMP verwenden können, um beim visuellen Storytelling Ihrer Daten zu helfen.
	Jetzt ist der Datensatz, den ich ausgewählt habe, ein ... um zu veranschaulichen, dass es sich um die vom FBI gesammelten Daten zu Hassverbrechen handelt, also vielleicht ein bisschen umstrittener Datensatz, aber auch ziemlich relevant für das, was passiert ist.
	Mein Ziel ist es, dies anschaulicher zu gestalten, damit ich einige Grafiken durchgehen kann, die ich zuvor erstellt habe
	für diesen Datensatz. Und ich werde Ihnen nicht unbedingt zeigen, wie ich die Grafiken erstellt habe, aber der Zweck ist es, Ihnen zu veranschaulichen, wie Sie JMP verwenden können
	Wie ich bereits sagte, nutzen Sie die Interaktivität, um die Menschen dazu zu bringen, die Grafiken zu betrachten und mit ihnen zu interagieren
	Um vielleicht mehr Fragen zu stellen, werden Sie vielleicht einige ihrer Fragen beantworten, während Sie fortfahren. Aber ermutigen Sie diese Datenexploration, worum es hier bei JMP geht.
	Nachdem dies gesagt ist, lasst uns gleich einsteigen.
	Ich werde Ihnen zunächst einen kleinen Überblick über den Datensatz selbst geben, also werde ich hier einfach weiterblättern. Es gibt also viele Informationen über
	wo die Vorfälle stattfanden.
	Während wir weitermachen und das Datum, an dem sich dieser Vorfall ereignete. Sie haben ein paar Informationen über die Täter
	und welche Straftat, Art der Straftat wurde begangen. Wieder einige grundlegende Informationen, welche Art von Voreingenommenheit in dem Vorfall dargestellt wurde. Einige Informationen zu den Opfern.
	Und allgemeine Diskriminierungskategorie und dann einige zusätzliche Informationen, die ich über Breiten- und Längengrade bereitgestellt habe, sofern verfügbar, sowie einige Bevölkerungsgruppen, für die ich andere Grafiken verwenden werde. Nun, nur um klar zu sein, um klar zu sein,
	Das FBI, das ist das Federal Bureau of Investigation der Vereinigten Staaten, definiert ein Hassverbrechen als eines
	Straftaten, die durch Vorurteile gegen eine bestimmte Gruppe motiviert sind. Diese Voreingenommenheit könnte also rassistisch sein, gegen Religion, Geschlecht, Geschlechtsidentität und so weiter.
	Solange ein Verbrechen durch eine bestimmte Tendenz motiviert ist, wird es als Hassverbrechen angesehen, und diese Daten bestehen aus allen Vorfällen, die aufgetreten sind
	vom FBI gesammelt, bis ins Jahr 1991 und erst 2019 zurückreichend. Ich habe keine Daten von 2020, so interessant das sicherlich wäre,
	Aber das liegt daran, dass sich das FBI gerne Zeit nimmt und dafür sorgt, dass die Daten gründlich bereinigt und vorbereitet werden, bevor sie tatsächlich ihre Berichte erstellen. So
	Sie können sicher sein, dass diese Daten ziemlich genau sind, wenn man bedenkt, wie viel Zeit und Mühe sie investieren, um sicherzustellen, dass sie korrekt sind.
	Also gut, damit fangen wir an und machen eine grundlegende visuelle Zusammenfassung der Daten. Also fange ich damit an, dieses kleine Tabellenskript hier oben auszuführen. Und das alles gibt uns im Grunde
	eine Zählung über die Tage, also jeden Tag, wie viele Vorfälle sich nach einer bestimmten Tendenz ereigneten. Daraus werde ich ein einfaches Diagramm erstellen, in diesem Fall ist es eine einfache Art von Liniendiagramm
	Hier wird die Anzahl der Vorfälle angezeigt, die jeden Tag über den gesamten Bereich auftreten. So erhalten Sie das gesamte ... Sie können den gesamten Bereich der Daten von 1991 bis 2019 sehen
	und wie viele Vorfälle aufgetreten sind. Nun, dies an und für sich wäre wahrscheinlich ein gutes statisches Bild, weil man irgendwie ein Gefühl dafür bekommt
	wo die Anzahl der Vorfälle fällt. Tatsächlich werde ich hier die Achseneinstellungen hier ein wenig ändern. Mal sehen, wir haben Inkremente in den 50ern, lass es uns in den 20ern machen. Na, bitte.
	Es gibt also ein bisschen Interaktivität für Sie ... Interaktion. Wir haben die Waage geändert, um sie zu verfeinern und ein besseres Gefühl dafür zu bekommen
	Wie viele Vorfälle gibt es durchschnittlich. Ich habe eine kleine Verteilung durchgeführt und durchschnittlich 20 Vorfälle pro Tag
	das sehen wir hier. Jetzt fragen Sie sich wahrscheinlich, warum ich die beiden Spitzen, die wir in den Daten sehen, noch nicht angesprochen habe.
	Also ja, es gibt eindeutig zwei wirklich hohe Stacheln. Und wenn ja
	Jede andere Art von Software, könnte man sagen, okay, ich würde das gerne untersuchen. Sie kehren also zu den Daten zurück, die Sie versuchen, und Sie
	Wissen Sie, isolieren Sie, wo diese Daten liegen, und versuchen Sie vielleicht, einige Diagramme zu präsentieren oder eine Analyse durchzuführen, um zu zeigen, was dort vor sich geht. Nun, das ist JMP und wir haben etwas, das es kann
	Helfen Sie dabei, und es ist etwas, das wir in JMP 15 namens Graphlets eingeführt haben, und es funktioniert so. Ich werde nur schweben und boomen.
	Ein kleines Graphlet soll helfen, weiter zusammenzufassen, was zu diesem Zeitpunkt vor sich geht. In diesem Fall gibt es also viele Informationen.
	Wir werden zuerst das Datum, den 1. Mai 1992, bemerken. Wenn Sie mit der amerikanischen Geschichte vertraut sind, wissen Sie vielleicht, was hier passiert, aber wenn nicht,
	Sie können einen kleinen zusätzlichen Hinweis erhalten, indem Sie auf die Grafik klicken. Jetzt wirst du sehen, dass ich es dir zeige
	die Vorfälle durch die besondere Tendenz des Vorfalls. Wir sehen hier also, dass die meisten Vorfälle gegen weiße Personen gerichtet waren und die nächste Gruppe schwarz oder afroamerikanisch ist und weiter nach unten geht.
	Ich verrate hier die Antwort, indem es die Vorfälle gab, die sich um diese Zeit ereigneten, als der Rodney King in Kalifornien aufstand. Rodney King,
	eine afroamerikanische Person, die leider von einem Polizisten getötet wurde und die zu vielen Rückschlägen und Unruhen führte
	um diese Zeit. Das ist es, was wir in diesem bestimmten Datenpunkt sehen, und wenn Sie das nicht wüssten, hätten Sie zumindest diese Informationen, um zu versuchen, dort zu suchen ... online zu schauen, um herauszufinden, was passiert ist.
	Das Gleiche können wir hier mit einer sehr großen Spitze tun. Und wieder werde ich das Schwebeband verwenden, also schwebe darüber. Ich werde innehalten, um dich schauen zu lassen. Wir schauen uns also das Datum an, den 12. September 2001. Das ist an sich schon ein sehr großer Hinweis
	was passiert ist. Aber wenn wir uns hier den Zusammenbruch ansehen, können wir sehen, dass die meisten Vorfälle gegen Personen muslimischen Glaubens gerichtet waren
	Arabische Ethnizität oder eine andere Art ähnlicher Ethnizität oder Abstammung. In diesem Fall können wir klar sehen
	Nach den unglücklichen Ereignissen vom 11. September, den Terroranschlägen, die damals stattfanden, gab es am folgenden Tag viele Gegenreaktionen
	Mitglieder mit ähnlicher ethnischer Zugehörigkeit, ähnlichem Glauben und so weiter, so dass wir zu dieser Zeit eine unglückliche Gegenreaktion hatten.
	Bereits mit diesem einen Plot und einem Teil dieser Interaktivität konnten wir viele Informationen sammeln, viele Informationen auf hoher Ebene in Bereichen, in denen Sie möglicherweise weiter suchen möchten.
	Aber wir können weitermachen. Jetzt ist etwas Neues in JMP 16, da wir hier auf der X-Achse ein Datum haben, können wir die Daten tatsächlich in eine größere Kategorie einteilen. In diesem Fall lassen Sie es uns also nach Monat einordnen.
	Und wir sehen, dass die Handlung verschwindet. Also hier ist was ich tun werde. Ich werde es noch einmal ausführen und mal sehen.
	Na, bitte.
	Sie wissen nie, was passieren wird. In diesem Fall soll also Folgendes passieren. Mach dir keine Sorgen.
	Wir haben es also monatlich zusammengefasst und hier ein interessantes Muster festgestellt. Es scheint eine Art saisonalen Trend zu geben, und lassen Sie uns die Schwebebilder verwenden, um herauszufinden, was möglicherweise passiert. Also werde ich über den unteren Punkten schweben. Also, wenn ich das mache,
	wir sehen okay, Januar, Dezember, okay. Interessant. Lassen Sie uns über einen anderen schweben, Dezember.
	Und noch einer, Dezember. Ah, in diesem Fall könnte es tatsächlich einen tatsächlichen saisonalen Trend geben. Wir scheinen in den Wintermonaten Tiefpunkte zu erreichen.
	Und tatsächlich, wenn ich zu meiner Datentabelle zurückkehre, habe ich das schon einmal gesehen. Es war etwas, das ich bei der Erforschung dieser Technik entdeckt habe, und ich habe bereits eine Handlung erstellt, um das anzugehen.
	Das war etwas, das ich basierend auf dieser Art von Blick auf die Anzahl der Vorfälle in all den Jahren innerhalb dieses Monats geschaffen habe.
	Und hier können wir ihnen die mittleren Trends sehen, aber wir sehen auch viele Variationen, besonders hier im September wegen dieser riesigen Spitze dort.
	Vielleicht brauchen wir etwas passenderes. Also öffne ich das Bedienfeld und hey, lass uns den Median auswählen. Das ist robuster und vielleicht sehen wir uns den Interquartilbereich an, so dass wir ein bisschen robuster sind
	Metriken zum Spielen.
	Und so sehen wir wieder diese saisonalen Trends, so dass es scheint, dass es in den Wintermonaten definitiv einen starken Rückgang gibt
	im Gegensatz zu Spitzenzeiten in den Frühlings- und Sommermonaten. Jetzt
	Dies könnte etwas sein, das jemand genauer untersuchen und untersuchen möchte, warum dies geschieht.
	Sie könnten Ihre eigenen Erklärungen haben. Meine persönliche Erklärung ist, dass ich glaube, dass der Weihnachtsgeist so stark ist, dass er alles überwindet, was Menschen im Dezember hassen oder voreingenommen haben könnten.
	Auch das ist nur meine persönliche Präferenz, Sie haben wahrscheinlich Ihre eigene. Aber auch hier konnte ich mit nur einer Handlung diesen Trend entdecken und
	Machen Sie eine weitere Handlung, um das weiter zu erkunden. Also noch einmal mit nur dieser einen Handlung habe ich mehr Forschung gefördert. Und wir können weitermachen.
	Mal sehen, mal nach Jahr, und wenn wir das tun, können wir diese Art von Gesamttrend deutlich erkennen.
	Wir sehen also eine Art Höhepunkt in den späten 90ern um die frühen 2000er Jahre, bevor wir fallen, wissen Sie, fast lineare Mode,
	bis es ungefähr Mitte der 2010er Jahre seinen Mittelpunkt erreicht, bevor es wieder zu steigen beginnt. Denken Sie also daran, dass Sie möglicherweise ähnliche Trends in anderen Plots sehen, die wir zeigen. Aber lassen Sie uns noch einmal einen Schritt zurücktreten und feststellen, dass wir in dieser einen Handlung etwas anderes gesehen haben
	Aspekte der Daten. Wir sogar
	beantwortete einige Fragen, aber wir haben vielleicht noch ein paar mehr angesprochen. Was ist mit diesem saisonalen Trend?
	Und wenn Sie nicht wussten, was diese Ereignisse waren, die ich Ihnen erzählte, wissen Sie, was waren diese besonderen Ereignisse? Das ist das Schöne an der Interaktivität von JMP-Grafiken: Sie ermöglicht es dem Benutzer, sich auf nur ein bestimmtes Medium einzulassen und es zu erkunden und zu fördern.
	Gut.
	Lasst uns weitergehen. Ich erwähnte also, dass dies eine Art visuelles Geschichtenerzählen ist, so dass Sie sich diese Art von Prolog vorstellen können, als eine Art Gesamtansicht. Was ist ... was ist
	Wie ist die Gesamtsituation? Schauen wir uns nun die Art der Schauspieler an.
	das heißt, wer begeht diese Art von Straftaten? Gegen wen begehen sie sie? Welche Informationen können wir darüber erfahren? Also hier habe ich
	schuf wieder eine Handlung, um das zu beantworten. Dies könnte ein guter Anfang sein. Hier habe ich eine Heatmap erstellt
	das betont dann die Zählungen, in diesem Fall die Rasse des Täters gegenüber seiner besonderen Voreingenommenheit. Das sehen wir also
	Vieles passiert, in diesem Fall habe ich die Spalten sortiert, damit wir sehen können, dass dort viel los ist. Das meiste davon ist hier in diesem oberen
	linke Ecke und hier unten ist nicht zu viel los, was ich für eine gute Nachricht halte. Es gibt viele Vorurteile, bei denen nicht viel passiert, das meiste passiert hier in dieser Ecke.
	Nun, das mag eine gute Handlung sein, aber auch hier gibt es viel Freiraum. Vielleicht können wir also mit Dingen herumspielen, um zu betonen, was los ist. Eine Möglichkeit, dies zu tun, besteht darin, hierher zur X-Achse zu kommen und die Größe anhand der Anzahl zu bestimmen.
	Jetzt wirst du hier sehen, ich hatte etwas hinter den Kulissen versteckt. Ich würde tatsächlich ein Etikett anbringen, ein prozentuales Etikett darüber.
	Früher war so viel los, dass man es nicht einmal sehen konnte, aber jetzt können wir tatsächlich einige dieser Informationen sehen. Eine nette Art, es zusammenzufassen, im Gegensatz zu Zählungen.
	Aber selbst mit nur der Visualisierung können wir deutlich sehen, dass die größte Voreingenommenheit gegen schwarze oder afroamerikanische Bürger und dann gegen Juden und weiter unten besteht, bis es hier unten kaum noch welche gibt. Wenn Sie also nur auf die X-Achse schauen, erhalten Sie viele Informationen darüber, was los ist.
	Wir können dasselbe mit dem Y machen, also wieder Größe nach Anzahl.
	Und wieder gibt es eine Menge Informationen, die nur in der Größe enthalten sind und wie ich die Achsen angepasst habe.
	Und diesen Fall schließen wir ein ... wir haben diese Ecke wirklich betont, damit wir klar sehen können, wer die Top-Spieler sind. In diesem Fall ist das meiste davon
	Straftäter sind von weißer oder unbekannter Rasse gegen Afroamerikaner, der nächste gegen Juden und dann
	anti weiß und dann fällt es einfach weiter runter. Wir bekommen hier eine nette kleine Zusammenfassung dessen, was los ist. Jetzt haben Sie vielleicht bemerkt, dass wir, während ich herumschwebe, unseren kleinen Kreis sehen. Das ist mein Graphlet-Indikator, also habe ich hier wieder ein Werkzeug.
	Wir haben ein wenig miteinander interagiert und dies könnte ein großartiges statisches Bild sein, aber lassen Sie uns die Leistung von JMP nutzen, insbesondere diese Graphslets.
	um zu interagieren und zu sehen, welche weiteren Informationen wir herausfinden können. In diesem Fall schwebe ich hier.
	Und genau hier ein Diagramm, in diesem Fall ein gepacktes Balkendiagramm, mit freundlicher Genehmigung unseres Diagramm-Gurus Xan Gregg. In diesem Fall können Sie nicht nur sehen, Sie wissen,
	Welche Personen begehen die Straftaten und gegen wen könnte Ihre nächste Frage gewesen sein, wissen Sie, welche Arten von Straftaten begangen werden? Nun, mit einem Graphlet habe ich das für Sie beantwortet.
	Wir können hier die größte sehen ... die überwältigende Art der Straftat ist Einschüchterung, gefolgt von einfachen und verschärften Angriffen, und der Rest davon, das ist das Schöne am gepackten Balkendiagramm.
	Wir können alle anderen Arten von Straftaten sehen, die begangen werden. Wenn Sie sie alle übereinander stapeln, vergleichen sie sich nicht einmal. Sie brechen nicht einmal die Top Drei.
	Das sagt also viel über die Arten von ... diesen Arten von Straftaten aus, wie dominant sie sind.
	Eine andere Frage, die Sie vielleicht haben, ist: Okay, wir haben die Schauspieler gesehen, wir haben die Maßnahmen gesehen, die sie ergreifen.
	Aber das hat einen zeitlichen Aspekt. Offensichtlich geschieht dies im Laufe der Zeit. War dies also eine konsequente Sache? Haben sich die Trends geändert? Gut,
	hab keine Angst. Wieder Graphlets zur Rettung. In diesem Fall kann ich Ihnen diese Trends tatsächlich zeigen. Also hier können wir sehen, wie hat das
	Arten von ... hat sich die Anzahl der Einschüchterungsvorfälle im Laufe der Zeit geändert? Und wieder sehen wir, dass das Muster dem allgemeinen Trend zu folgen scheint.
	Ein Höhepunkt in der Art, Ende der 90er Jahre und dann der steile Trend ... fast linearer Rückgang bis etwa Mitte der 2010er Jahre, bevor es in jüngerer Zeit wieder zu einer Belebung kam.
	Und wieder können wir diesen Trend und andere sehen. Ich werde nicht klicken, um zu zoomen, aber Sie können nur aus der Handlung hier sehen, diese Trends bei einfachen Angriffen hier und auch bei verschärften Angriffen, ein bisschen dort.
	Und Sie können weiter erforschen. Schauen wir uns also das Unbekannte gegen Afroamerikaner an und sehen, welchen Unterschied es dort geben könnte. In diesem Fall können wir klar sehen
	dass es zwei Arten von Straftaten gibt, die in diesem Fall die Zerstörung oder Beschädigung von Eigentum wirklich dominieren (was, wenn Sie darüber nachdenken, sinnvoll sein könnte; wenn Sie sehen, dass Ihr Eigentum beschädigt wurde, besteht eine gute Chance, dass Sie nicht wissen, wer erledigt)
	und Einschüchterung sind die dominierenden. Und wieder können Sie ... das Schöne daran ist, dass die Hover-Labels sozusagen bestehen bleiben, sodass Sie erneut nachsehen können, welche Trends dort stattfinden.
	In diesem Fall sehen wir also, dass es tatsächlich zwei Spitzen gibt, die hier in den späten 90ern und frühen 2000ern ihren Höhepunkt erreicht haben, bevor sie wieder fallen. Und mit Einschüchterung sehen wir einen ähnlichen Trend wie zuvor.
	Wiederum sind in nur einer Grafik viele Informationen enthalten, mit denen Sie als Benutzer interagieren können, um bestimmte Schlüsselbereiche hervorzuheben, und dann visualisieren Sie als Benutzer nur ... schauen Sie sich das an und interagieren Sie kann damit herumspielen und viele Informationen sammeln.
	Gut.
	Und lass uns weitermachen. Jetzt werden Sie feststellen, dass die meisten der Berichterstattungsagenturen auf Stadt- / Kreisebene sind
	Polizeidienststellen und so weiter, aber es gibt auch einige Universitäten hier. Es könnte also jemanden da draußen geben, der daran interessiert sein könnte, zu sehen, was an den Universitäten passiert.
	Und so habe ich dieses nette kleine Tabellenskript erstellt, um darauf zu antworten. Jetzt diesmal
	Ich habe gerade die Tabellenskripte ausgeführt und erwähnt, dass ich nicht zu viel hinter die Kulissen gehen werde, dies ist anschaulicher.
	Hier möchte ich Ihnen einen Blick zuwerfen, denn ich möchte Ihnen nicht nur die Leistungsfähigkeit der Grafiken, sondern auch die Leistungsfähigkeit des Tabellenskripts zeigen. Wenn Sie mit JMP vertraut sind,
	Sie wissen vielleicht, okay, das Tabellenskript ist nett, weil ich meine Analysen speichern kann, ich kann meine Berichte speichern, ich kann es sogar verwenden, um Grafiken zu speichern, wie ich es getan habe ... wie ich es im letzten getan habe, so dass Sie es vielleicht nicht bemerkt haben dass Sie auch speichern können
	Skripte zum Ausführen zusätzlicher Tabellen und Übersichtstabellen usw. Lassen Sie mich Ihnen zeigen, was hier alles dahinter steckt. Als ich das Skript ausführte, habe ich tatsächlich zwei Datentabellen erstellt.
	Sie haben nur die eine gesehen, also habe ich in diesem Fall zuerst die Datentabelle erstellt, in der alle Universitäten ausgewählt wurden, und dann aus dieser Datentabelle eine Zusammenfassung erstellt und dann die alte geschlossen.
	Und dann habe ich noch einige der Grafiken hinzugefügt. Ich werde hier also nicht zu sehr ins Detail gehen, wie ich das eingerichtet habe, weil ich das nach dem nächsten speichern möchte. Ich gebe dir einen Hinweis. Es basiert auf einer neuen Funktion in JMP 16, die Sie wirklich in Erstaunen versetzen wird.
	Also gut, gehen wir zurück zu ... entschuldigen Sie ... Vorfällen an der Universität.
	Und auch hier habe ich das Tabellenskript gespeichert. Dieser, der uns eine Grafik zeigt.
	Hier sehen wir also wieder das gepackte Balkendiagramm, und hier zeige ich Ihnen, welche Universitäten die meisten Zwischenfälle hatten. Auch dies könnte an und für sich eine ziemlich gute Standardgrafik sein.
	Sie können sehen, dass an welcher Universität anscheinend die meisten Vorfälle auftreten, und es ist wieder schön zu sehen, dass es keine wirklich dominierende gibt. Sie können noch die anderen Universitäten packen
	auf ihnen, und niemand dominiert den einen oder anderen. Das an und für sich ist also eine gute Nachricht, aber auch dies hat einen zeitlichen Aspekt. So
	Waren diese vielleicht ... hat die Universität von Michigan Ann Arbor, hatten sie die ganze Zeit Probleme? Haben sie ... wären sie immer an der Spitze geblieben? Hatten sie gerade ein schlechtes Jahr? Wieder Graphlets zur Rettung.
	In diesem Fall,
	Hier sehen Sie eine interessante Handlung. Sie könnten sagen, wissen Sie, was ist das für ein Ding? Das sieht so aus, als ob es in ein Art-Deco-Museum gehört. Was...
	Was ist das für eine Handlung? Nun, es ist tatsächlich eine, die wir zuvor gesehen haben. Ich verwende nur etwas Neues, das in JMP 16 herausgekommen ist, also werde ich Ihnen einen Blick hinter die Kulissen geben.
	Und in diesem Fall können wir sehen, dass dies tatsächlich eine Heatmap ist. Alles was ich getan habe
	ist, mache ich einen Trick, den ich oft gerne mache, nämlich Dinge auf zwei verschiedene Arten hervorzuheben, also nicht nur die Anzahl nach Farben hervorzuheben, wie Sie es normalerweise in einer Heatmap tun würden, die Weißen sind die fehlenden Einträge, ich kann jetzt auch in JMP 16 nach Größe hervorheben.
	Und so denke ich, dass dies wieder dahin zurückkehrt, wo wir diese Achsen zuvor dimensioniert haben. Es betont ... hilft, bestimmte Bereiche hervorzuheben. Hier können wir jetzt sehen, dass es vielleicht ein kleines Problem mit Vorfällen gegen Afroamerikaner gibt.
	Das war ziemlich konsistent, mit einem besonders schlechten Jahr im Jahr 2017 im Gegensatz zu allen anderen Vorfällen, die aufgetreten sind.
	Jetzt gibt es hier keine zusätzlichen Hover-Labels.
	Ich werde nur die Daten zusammenfassen, aber das ist okay.
	Dies an und für sich gibt Ihnen viele Informationen, so dass dies eine neue Sache ist, die in JMP 16 herausgekommen ist und die wieder bei dieser Betonung helfen kann.
	Und wieder können wir weitermachen. Wir können uns andere Universitäten ansehen, also könnte dies hier ein Beispiel für eine Universität sein, an der sie eine ziemlich schlechte Zeit zu haben scheinen.
	die Universität von Maryland im College Park, aber dann gab es einen Bereich, in dem
	Die Dinge waren wirklich gut, und Sie könnten daran interessiert sein zu wissen, was passiert ist, um diese Zeit so großartig zu machen?
	Gibt es etwas, das die Universität eingerichtet hat, was sie getan hat, das die Anzahl und die Anzahl der Vorfälle deutlich zu senken schien? Das könnte etwas sein, das es wert ist, untersucht zu werden.
	Und Sie können weitermachen und erneut nachsehen, ob es sich um ein systemisches Problem handelt, ob in diesem Fall nur ein wirklich schlechtes Jahr dominiert hat, insgesamt ging es ihnen nur gut.
	Es ging ihnen ziemlich gut. Auch dies könnte ein anderer sein. Sie hatten früh eine wirklich schlechte Zeit, aber in letzter Zeit haben sie es ziemlich gut gemacht,
	und so weiter. Also noch einmal, eine Art Hervorhebung dieser Interaktivität noch einmal,
	und in diesem Fall mit einigen der neueren Funktionen in JMP 16. Bevor wir zum letzten übergehen, habe ich ein Geständnis. Ich bin ein bisschen ein Karten-Nerd, also mag ich Karten und jede Art von Datenanalyse, die sich auf Karten bezieht.
	Ich weiß nicht warum. Ich mag es einfach sehr und freue mich sehr, Ihnen das nächste zu zeigen, denn jetzt schauen wir uns die Geographie der Vorfälle an.
	Aber ich bin auch aufgeregt, weil dies meiner Meinung nach die Leistungsfähigkeit sowohl der Tabellenskripte als auch der JMP-Grafiken, insbesondere der Hover-Grafiken, hervorhebt.
	Hoffentlich hat dich das auch aufgeregt, also lass es uns laufen. Jetzt wird es eine Weile dauern, da mit diesem Tabellenskript tatsächlich viel los ist. Es wird eine neue Tabelle erstellt. Es macht auch viele Funktionen in dieser Tabelle
	und viele Dinge zu berechnen. Hier haben wir also nicht nur Informationen, sondern auch viele dieser Spalten gegen Ende, die hinter den Kulissen berechnet wurden.
	Jetzt muss ich mir einen kurzen Moment Zeit nehmen, um über eine bestimmte Metrik zu sprechen, die ich verwenden werde. Vor einiger Zeit schrieb ich einen Blogeintrag mit dem Titel Crime Rate Conundrum in der JMP-Community (community.jmp.com).
	so schamloser Stecker da, aber darin habe ich darüber gesprochen, wie, wissen Sie, normalerweise, wenn Sie Vorfälle melden, insbesondere kriminelle Vorfälle,
	Normalerweise wissen wir, dass Sie nicht nur die Rohzählungen melden möchten, weil
	Es könnte einen bestimmten Bereich geben, in dem es eine hohe Anzahl von Zählungen, eine hohe Anzahl von Vorfällen gibt. Ist das nur so, weil das ... gibt es dort ein Problem?
	Oder liegt es daran, dass nur viele Leute da sind? Und so würden wir natürlich viele Zwischenfälle erwarten, weil es nur viele Menschen gibt. Also natürlich Leute
	Vorfallsraten melden. Nun, das ist in Ordnung, weil jetzt alle auf Augenhöhe sind, aber ein Nebeneffekt davon ist, dass es dazu neigt, sich zu erhöhen
	Orte mit kleinen Populationen. Wenn Sie einen kleinen Nenner haben, haben Sie im Wesentlichen nur deshalb ein größeres Verhältnis.
	Das ist also eine Art unglücklicher Nebeneffekt, und so spreche ich über einen interessanten Fall, in dem wir einen Ort mit einer wirklich kleinen Bevölkerung haben, der wirklich aufgeblasen wird.
	Und wie manche Leute damit umgehen. Eine Möglichkeit, dies zu beheben, bestand im Wesentlichen darin, eine gewichtete Incident-Rate zu verwenden
	Ich nehme Ihre Vorfallrate, aber dann gewichte ich Sie irgendwie, um welchen Anteil ...
	Entschuldigung ... im Grunde genommen ein Gewicht von der Anzahl der Leute, die Sie dort haben. In diesem Fall habe ich ein bestimmtes Gewicht, ich ordne grundsätzlich die Populationen,
	so dass der größte Ort den Rang des kleinsten haben würde. In diesem Fall gibt es jedoch 50 Staaten, so dass der Staat mit der größten Bevölkerung eine haben würde
	Rang 50 und der kleinste Staat einen Rang eins. Wenn du das nimmst und das dividierst, indem du den maximalen Rang kennst, ist das im Wesentlichen dein Gewicht, also ist es eine Art zu setzen
	Ein Gewicht, das Ihrer Gesamtbevölkerung entspricht, und die Idee hier ist, dass, wenn Ihre Vorfallrate so ist, dass sie diese Gewichtsstrafe überwindet, wenn Sie so wollen,
	dann bedeutet das, dass Sie jemand sein könnten, der es wert ist, untersucht zu werden. Also versucht es dem entgegenzuwirken
	diese Inflation, nur aufgrund einer kleinen Bevölkerung. Wenn Sie noch relativ klein sind, aber Ihre Unfallrate hoch genug ist, um Ihr Gewicht im Wesentlichen zu überwinden,
	Wir möchten vielleicht in dich hineinschauen. Hoffentlich waren das nicht zu viele Informationen, aber das ist die Metrik, die ich hauptsächlich verwenden werde, damit ich das Skript ausführen kann
	und
	Auf geht's. Zuerst habe ich ein einfaches Liniendiagramm, das die gewichteten Vorfallraten über die Zeit für alle Bundesstaaten anzeigt.
	Jetzt werde ich hier eine neue Funktion verwenden. Wir können hier sehen, dass New Jersey zu dominieren scheint. Wieder Interaktivität, können wir tatsächlich klicken, um es hervorzuheben.
	Es gibt einige neue Dinge, die wir tun, insbesondere in JMP 16. Ich werde hier mit der rechten Maustaste klicken und einige Labels hinzufügen. Machen wir also den Maximalwert und den letzten Wert
	nur zum Vergleich.
	Hier können wir das sehen ... der Höhepunkt hier war ungefähr 11,4 Vorfälle pro 1.000 (das ist eine gewichtete Vorfallrate) hier in der Art der frühen 90er Jahre.
	Und dann sehen wir einen abnehmenden Trend, wieder scheint er ungefähr gleich zu fallen wie die gesamte Incident-Rate, bevor hier wieder ein Höchststand erreicht wurde
	2019. Also noch einmal mit nur ein paar kurzen Zahlen wäre dies an und für sich eine interessante Handlung, aber wie Sie sehen konnten, geht mein kleiner Graphlet-Indikator, also gibt es noch mehr.
	Hier kommt der Kartenteil ins Spiel. Also werde ich über einen bestimmten Punkt schweben.
	In diesem Fall nicht nur
	Können Sie eine Art der Gesamtrate sehen, kann ich sie tatsächlich für Sie aufschlüsseln, in diesem Fall nach Landkreisen. Also hier habe ich die gefärbt
	Grafschaften nach der Gesamtzahl der Vorfälle innerhalb dieses Jahres. Und wieder gibt es diesen Zeitaspekt. Dies zeigt Ihnen einen Schnappschuss für ein bestimmtes Jahr, in diesem Fall 2008.
	Aber vielleicht interessieren Sie sich für den allgemeinen Trend. Eine Möglichkeit, dies zu tun, ist, hey, das sind Graphlets. Ich könnte zurückgehen, über eine andere Stelle schweben, das Diagramm hochziehen und darauf klicken, um zu zoomen.
	nach Bedarf wiederholen. Sie könnten das tun oder Sie könnten diesen neuen Trick verwenden, den ich tatsächlich bei der Vorbereitung dieser Präsentation gefunden habe.
	Lassen Sie uns einblenden ... beachten Sie hier nebenan, wir haben einen lokalen Datenfilter. Das ist wirklich der Schlüssel hinter diesen Trauben.
	Ich werde in diesem Jahr hierher kommen und den Modellierungstyp auf nominal und nicht auf kontinuierlich ändern, da ich jetzt so etwas tun kann. Ich kann tatsächlich durchgehen
	und wählen Sie einzelne Jahre aus, oder jetzt ist dies JMP, wir können es besser machen.
	Lass mich hierher gehen und ich werde eine Animation machen. Ich werde es hier ein bisschen schnell machen. Ich werde auf "Abspielen" klicken und jetzt kann ich mich einfach zurücklehnen und entspannen und zusehen, wie JMP Dinge für mich erledigt.
	Hier können wir also sehen, wie es durchläuft und ein Gefühl dafür bekommt, was passiert. Ich werde es ein bisschen durchlaufen lassen. Wir sehen ... schon beginnen hier einige interessante Dinge zu sehen.
	Lassen wir es durchlaufen, machen wir uns ein vollständiges Bild, wissen Sie. Wir wollen das komplette Bild, nicht dass ich vorführe oder so.
	Okay, also sind wir durchgefahren und haben etwas bemerkt. Gehen wir also hier runter, um etwa 2004, 2005 zu sagen. Irgendwo hier haben wir bemerkt, dass diese eine Grafschaft hier besonders hervorgehoben zu sein scheint.
	Und tatsächlich haben Sie meinen kleinen Graphlet-Indikator gesehen. Also kann ich wieder darüber schweben und hier
	noch eine Karte. Jetzt können Sie sehen, warum ich so aufgeregt bin.
	Auch in diesem Fall kann ich Ihnen tatsächlich auf Kreisebene zeigen, also auf der Ebene der einzelnen Kreise ...
	Entschuldigung, lass mich ... lass uns das ein bisschen verschieben. Da sind wir. Einige kleinere Anpassungen und wieder können Sie meinen Trick sehen, Dinge auf zwei Arten durch Größe und Farbe hervorzuheben.
	Wir können eine Art Streuung innerhalb des ??? sehen, dies sind einzelne Orte und weil es wieder diesen Zeitaspekt gibt,
	wir wissen ... jetzt wissen wir es besser, wir müssen nicht zurückgehen und klicken und mehrere Diagramme erhalten, wir können wieder die lokalen Datenfiltertricks verwenden. Also kann ich zurück gehen. Ich werde tun
	das Jahr, und so können wir in diesem Fall wieder durchklicken. Hier werde ich nur die Pfeiltasten auf meiner Tastatur verwenden, um durchzugehen.
	Und machen Sie sich ein Bild davon, wie sich die Dinge im Laufe der Zeit verändern. In diesem Fall sehen Sie einen bestimmten Bereich, den Sie wahrscheinlich bereits gesehen haben, beginnend mit dem Rahmen von 2006, 2007.
	Es gibt diesen einen Bereich ... diesen hier.
	Keansburg, das hervorgehoben zu sein scheint und Sie werden noch ein weiteres Graphlet bemerken. Wie weit willst du gehen?
	Graphception, wenn Sie so wollen.
	Wir können
	geh weiter runter und weiter rein. In diesem Fall bekomme ich ... Ich breche es nach der Tendenz aus, und wieder könnte ich diesen Trick machen, wenn ich wollte, um bis zum Jahr durchzugehen und durchzufahren.
	Also wieder so viel Kraft in diesen Graphen. Mit dieser einen Grafik konnte ich geografische Unterschiede auf Kreisebene und noch weiter unten untersuchen, und so könnte es auch sein
	So können Sie verschiedene Aspekte der Daten untersuchen und mehr Fragen generieren. Was geschah um diese Zeit in Keansburg, um es so zum Platzen zu bringen?
	Das möchten Sie vielleicht wissen.
	Das ist alles, was ich heute für Sie habe. Hoffentlich habe ich Ihren Appetit geweckt und konnte Ihnen klar zeigen, wie leistungsfähig die JMP-Visualisierung beim Erkunden der Daten ist.
	Wenn Sie mehr wissen möchten, wird es ein Plenargespräch über Daten geben. Ich ermutige Sie auf jeden Fall, dies zu untersuchen, und es hilft dabei, verschiedene Arten der Visualisierung anzusprechen und wie JMP dabei helfen kann.
	Aber ich habe Ihnen einmal versprochen, Ihnen einen Blick darauf zu werfen, wie ich diese ziemlich erstaunlichen Tabellenskripte erstellen konnte, und das werde ich jetzt tun.
	In JMP 16 wird es jetzt als erweitertes Protokoll bezeichnet. Dies ist eine der coolsten neuen Funktionen in JMP 16. Während der Interaktion folgt tatsächlich ein erweitertes Protokoll, das den Überblick behält. Wenn ich also in diesem Fall eine Datentabelle schloss, eine Datentabelle öffnete, eine Datentabelle ausführte,
	Wenn ich eine neue Spalte hinzugefügt und ein neues Diagramm erstellt habe, wird es hier im Protokoll aufgezeichnet.
	Dies ist etwas, worüber John Sall in seinem Plenarvortrag sprechen wird. Es ist wieder eine der neuesten erstaunlichen Funktionen hier.
	Und dies ist der Schlüssel, wie ich diese Tabellenskripte erstellen konnte. Ich kann ehrlich sagen, dass ich diese ziemlich coolen Tabellenskripte wahrscheinlich nicht hätte erstellen können, wenn dies nicht vorhanden gewesen wäre, weil es eine Menge Arbeit wäre.
	Auch dies ist eine wirklich coole Funktion, die in JMP 16 verfügbar ist. Ich hoffe, ich konnte Sie davon überzeugen, dass JMP ein großartiges Tool zum Erkunden von Daten, zum Erstellen fantastischer Visualisierungen und interaktiver Visualisierungen ist. Und das ist alles was ich habe. Danke fürs Kommen.

Das Beste vom GipfelAusbrechenDatenexplorationDatenvisualisierung