349276_de-DE

liliconcom

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

Niveau: Mittelstufe

 

Caleb King, JMP Research Statistician Tester, SAS

 

In diesem Vortrag veranschaulichen wir, wie Sie die zahlreichen grafischen Funktionen in JMP, einschließlich der neuen Funktionen in JMP 16, nutzen können, um die Geschichte Ihrer Daten zu erzählen. Anhand der FBI-Datenbank zu gemeldeten Hassverbrechen von 1991 bis 2019 zeigen wir, wie wichtige Tools in der grafischen Toolbox von JMP, wie Graphlets und interaktive Funktionsmodifikationen, Zuschauer zu neuen Erkenntnissen führen können. Aber der Spaß hört nicht bei den Grafiken auf. Wir zeigen Ihnen auch, wie Sie Ihr Publikum „sein eigenes Abenteuer wählen“ lassen können, indem Sie Tabellenskripte erstellen, um Ihre Daten in kleinere Datensätze zu unterteilen, von denen jeder über eigene Diagramme verfügt, die neue Perspektiven auf die Gesamterzählung 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 JMP Software. Ich bin speziell in der Gruppe zur Versuchsplanung, aber heute werde ich dort sein
	Gehen Sie etwas abseits des Themas vor und sprechen Sie darüber, wie Sie die Grafiken und einige der anderen Tools in JMP verwenden können, um das visuelle Storytelling Ihrer Daten zu unterstützen.
	Nun, der Datensatz, den ich ausgewählt habe, ist ... zur Veranschaulichung: Es handelt sich um vom FBI gesammelte Hassverbrechensdaten, also vielleicht ein etwas kontroverser Datensatz, aber auch ziemlich relevant für das, was passiert ist.
	Und mein Ziel ist es, dies anschaulicher zu gestalten, sodass ich ein paar Grafiken durchgehen werde, die ich zuvor erstellt habe
	für diesen Datensatz. Und ich werde Ihnen nicht unbedingt zeigen, wie ich die Diagramme erstellt habe, sondern der Zweck besteht darin, Ihnen zu veranschaulichen, wie Sie JMP verwenden können
	Für, wie gesagt, visuelles Geschichtenerzählen, also nutzen Sie die Interaktivität, um die Leute anzuleiten, die die Grafiken betrachten und damit interagieren
	um vielleicht weitere Fragen zu stellen, vielleicht beantworten Sie im Laufe der Zeit einige ihrer Fragen. Aber fördern Sie irgendwie diese Datenexploration, worum es uns hier bei JMP geht.
	Nachdem das gesagt ist, lasst uns gleich loslegen.
	Ich werde Ihnen zunächst einen kleinen Überblick über den Datensatz selbst geben, also scrolle ich hier einfach weiter. Es gibt also viele Informationen darüber
	wo sich die Vorfälle ereigneten.
	Wie wir weitermachen, und das Datum, nun ja, als sich dieser Vorfall ereignete. Sie haben ein paar Informationen über die Täter
	und welche Straftat, Art der Straftat begangen wurde. Nochmals einige grundlegende Informationen darüber, welche Art von Voreingenommenheit bei dem Vorfall zum Ausdruck kam. Einige Informationen über die Opfer.
	Und die allgemeine Diskriminierungskategorie, und dann einige zusätzliche Informationen, die ich über Breiten- und Längengrade bereitgestellt habe, falls verfügbar, sowie einige Bevölkerungsgruppen, für die ich andere Grafiken verwenden werde. Nur um es klarzustellen:
	Das FBI, also das Federal Bureau of Investigation der Vereinigten Staaten, definiert ein Hassverbrechen als jedes
	Straftat, die durch Vorurteile gegenüber einer bestimmten Gruppe motiviert ist. Diese Voreingenommenheit könnte also rassistisch, gegen Religion, Geschlecht, Geschlechtsidentität usw. sein.
	Solange ein Verbrechen also durch eine bestimmte Voreingenommenheit motiviert ist, gilt es als Hassverbrechen, und diese Daten umfassen alle Vorfälle, die stattgefunden haben
	Die vom FBI gesammelten Daten reichen bis ins Jahr 1991 und bis ins Jahr 2019 zurück. Ich habe keine Daten aus dem Jahr 2020, so interessant das sicherlich auch wäre,
	Aber das liegt daran, dass sich das FBI gerne Zeit nimmt und dafür sorgt, dass die Daten gründlich bereinigt und aufbereitet werden, bevor es tatsächlich seine Berichte erstellt. Also
	Sie können sicher sein, dass diese Daten ziemlich genau sind, wenn man bedenkt, wie viel Zeit und Mühe sie in die Sicherstellung gesteckt haben.
	Okay, also fangen wir damit an und erstellen eine grundlegende visuelle Zusammenfassung der Daten. Also beginne ich damit, dieses kleine Tabellenskript hier oben auszuführen. Und das alles gibt uns im Grunde nur etwas
	eine Zählung über die Tage, also wie viele Vorfälle jeden Tag nach einer bestimmten Tendenz aufgetreten sind. Daraus werde ich ein grundlegendes Diagramm erstellen, in diesem Fall handelt es sich um eine einfache Art Liniendiagramm
	Hier wird die Anzahl der Vorfälle angezeigt, die jeden Tag im gesamten Bereich auftreten. Sie erhalten also die gesamte Bandbreite der Daten von 1991 bis 2019
	und wie viele Vorfälle gab es? Nun, das an und für sich wäre wahrscheinlich ein gutes statisches Bild, weil man sozusagen einen Eindruck davon bekommt
	wobei die Anzahl der Vorfälle sinkt. Tatsächlich werde ich hier die Achseneinstellungen ein wenig ändern. Mal sehen, wir haben Inkremente in 50er-Schritten erhalten, machen wir es in 20er-Schritten. Na, bitte.
	Es gibt also ein bisschen Interaktivität für Sie ... Interaktion. Wir haben die Maßstäbe geändert, um es etwas zu verfeinern und ein besseres Gefühl dafür zu bekommen
	wie viele Zwischenfälle es im Durchschnitt gibt. Ich habe eine kleine Verteilung durchgeführt und im Durchschnitt etwa 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 Spitzen. Und wenn das so wäre
	Jede andere Art von Software könnte man sagen, okay, das würde ich mir gerne ansehen. Sie kehren also zu den Daten zurück, die Sie ausprobieren, und Sie
	Wissen Sie, isolieren Sie, wo sich diese Daten befinden, 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 das kann
	Helfen Sie dabei, und es ist etwas, das wir in JMP 15 namens Graphlets eingeführt haben, und es funktioniert so. Ich werde einfach schweben und boomen.
	Es ist ein kleines Diagramm aufgetaucht, das helfen soll, die aktuellen Ereignisse besser zusammenzufassen. In diesem Fall gibt es also viele Informationen.
	Wir werden zuerst das Datum bemerken, den 1. Mai 1992. Wenn Sie also 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 werden Sie sehen, dass ich es Ihnen zeige
	die Vorfälle durch die besondere Voreingenommenheit des Vorfalls. Wir sehen hier also, dass die meisten Vorfälle weiße Personen betrafen, und die nächste Gruppe waren Schwarze oder Afroamerikaner, und es ging weiter nach unten.
	Ich verrate hier irgendwie die Antwort, denn die Vorfälle, die sich zu dieser Zeit ereigneten, waren die Rodney-King-Unruhen in Kalifornien. Rodney King,
	ein Afroamerikaner, der unglücklicherweise von einem Polizisten getötet wurde, was zu vielen Gegenreaktionen und Unruhen führte
	ungefähr um diese Zeit. Das ist es also, was wir in diesem speziellen Datenpunkt erfasst sehen, und wenn Sie das nicht wüssten, hätten Sie zumindest diese Informationen, um damit anzufangen und dort nachzuschauen ... online herauszufinden, was passiert ist.
	Das Gleiche können wir hier auch mit einer sehr großen Spitze machen. Und wieder verwende ich das Hover-Graplet, also bewegen Sie den Mauszeiger darüber. Ich mache eine Pause, damit Sie schauen können. 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 die Aufschlüsselung ansehen, können wir erkennen, dass sich die meisten Vorfälle gegen Personen muslimischen Glaubens richteten
	Arabische ethnische Zugehörigkeit oder eine andere Art ähnlicher ethnischer Zugehörigkeit oder Abstammung. In diesem Fall können wir es deutlich sehen
	dass es nach den unglücklichen Ereignissen vom 11. September und den damaligen Terroranschlägen am darauffolgenden Tag heftige Gegenreaktionen gab
	Mitglieder, die einer ähnlichen ethnischen Zugehörigkeit, einem ähnlichen Glauben usw. angehörten, so dass es zu dieser Zeit zu einer unglücklichen Gegenreaktion kam.
	Mit nur dieser einen Handlung und einem Teil dieser Interaktivität konnten wir also bereits viele Informationen sammeln, viele hochrangige Informationen in Bereichen, in denen Sie vielleicht weiter suchen möchten.
	Aber wir können weitermachen. Nun gibt es in JMP 16 etwas Neues: Da wir hier auf der X-Achse ein Datum haben, können wir die Daten tatsächlich in eine größere Kategorie einteilen.
	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.
	Man weiß nie, was passieren wird. In diesem Fall soll also Folgendes passieren; Mach dir keine Sorgen.
	Also haben wir es nach Monaten sortiert und dabei ein interessantes Muster festgestellt. Es scheint eine Art saisonaler Trend zu geben, und wir wollen die Hover-Graphlets verwenden, um uns dabei zu helfen, herauszufinden, was passieren könnte. Daher werde ich den Mauszeiger über den unteren Punkten bewegen. Wenn ich das also mache,
	wir sehen okay, Januar, Dezember, okay. Interessant. Lassen Sie uns über einem anderen schweben, dem Dezember.
	Und noch einer, Dezember. Ah, in diesem Fall könnte es tatsächlich einen echten saisonalen Trend geben. In den Wintermonaten scheinen wir Tiefpunkte zu erreichen.
	Und tatsächlich, wenn ich zurück zu meiner Datentabelle gehe, habe ich das tatsächlich schon einmal gesehen. Es war etwas, das ich bei der Erkundung dieser Technik entdeckt habe, und ich habe bereits eine Handlung erstellt, um das irgendwie anzugehen.
	Das ist also etwas, das ich auf der Grundlage dieser Überlegungen erstellt habe. Schauen Sie sich an, wie groß die Schwankungen in der Anzahl der Vorfälle über alle Jahre hinweg innerhalb dieses Monats sind.
	Und hier sehen wir die durchschnittlichen Trends, aber wir sehen auch große Schwankungen, insbesondere hier im September aufgrund des enormen Anstiegs dort.
	Vielleicht brauchen wir also etwas passenderes. Also öffne ich das Bedienfeld und hey, lass uns den Median auswählen. Das ist robuster und schauen Sie sich vielleicht den Interquartilbereich an, sodass wir etwas robuster sind
	Metriken zum Spielen.
	Und so sehen wir wiederum saisonale Trends, es scheint also, dass es in den Wintermonaten definitiv einen großen Rückgang gibt
	im Gegensatz zu einem Höhepunkt in den Frühlings- und Sommermonaten. Jetzt
	Dies könnte etwas sein, was jemand genauer untersuchen und untersuchen möchte, warum das passiert.
	Möglicherweise haben Sie Ihre eigenen Erklärungen. Meine persönliche Erklärung ist, dass ich glaube, dass die Weihnachtsstimmung so stark ist, dass sie jeden Hass oder jede Voreingenommenheit überwindet, die einzelne Menschen im Dezember haben mögen.
	Auch das ist nur meine persönliche Präferenz, Sie haben wahrscheinlich Ihre eigene. Aber auch hier konnte ich mit nur einer einzigen Handlung diesen Trend entdecken und
	Machen Sie eine weitere Handlung, um das näher zu erforschen. Auch hier habe ich mit nur dieser einen Handlung zu mehr Forschung angeregt. Und wir können weitermachen.
	Schauen wir mal, sortieren wir es nach Jahr, und wenn wir das tun, können wir diesen Gesamttrend deutlich erkennen.
	Wir sehen also eine Art Höhepunkt in den späten 90er- und frühen 2000er-Jahren, bevor die, Sie wissen schon, fast lineare Mode abfällt.
	bis er etwa Mitte der 2010er Jahre seinen Mittelwert erreicht, bevor er wieder anzusteigen beginnt. Denken Sie also daran, dass Sie möglicherweise ähnliche Trends in anderen von uns gezeigten Diagrammen sehen. Aber lassen Sie uns noch einmal einen Schritt zurücktreten und uns darüber im Klaren sein, dass wir in dieser einen Handlung etwas anderes gesehen haben
	Aspekte der Daten. Wir sogar
	Ich habe einige Fragen beantwortet, aber vielleicht haben wir auch noch ein paar weitere angesprochen. Was hat es mit diesem saisonalen Trend auf sich?
	Und wenn Sie nicht wussten, welche Ereignisse ich Ihnen erzählt habe, wissen Sie, was waren diese besonderen Ereignisse? Das Schöne an der Interaktivität von JMP-Grafiken ist, dass sie es dem Benutzer ermöglichen, sich zu engagieren und alles innerhalb eines bestimmten Mediums zu erkunden und zu erkunden.
	In Ordnung.
	Lasst uns weitergehen. Ich habe bereits erwähnt, dass es sich hier um eine Art visuelles Geschichtenerzählen handelt, man kann sich das also als eine Art Prolog vorstellen, als eine Art Gesamtüberblick. Was ist... was ist
	Wie ist die Gesamtsituation? Schauen wir uns nun die Art der Schauspieler an.
	Das heißt, wer begeht solche Straftaten? Gegen wen begehen sie sie? Welche Informationen können wir darüber erfahren? Also hier habe ich
	Ich habe wiederum eine Handlung erstellt, die dabei helfen soll, diese Frage zu beantworten. Das könnte ein guter Anfang sein. Hier habe ich eine Heatmap erstellt
	Das unterstreicht dann die Ausschlaggebenden Faktoren, in diesem Fall die Rasse des Täters im Vergleich zu seiner besonderen Voreingenommenheit. Das sehen wir also
	Vieles davon passiert. In diesem Fall habe ich die Spalten sortiert, damit wir sehen können, dass da viel los ist. Das meiste davon ist hier in diesem Obermaterial
	Ich bin in der linken Ecke und hier unten ist nicht allzu viel los, was meiner Meinung nach eine gute Nachricht ist. Es gibt viele Vorurteile, bei denen nicht viel passiert, das meiste passiert hier in dieser Ecke.
	Nun, das ist vielleicht ein gutes Grundstück, aber auch hier gibt es viel Freiraum. Vielleicht können wir also mit den Dingen herumspielen, um zu betonen, was vor sich geht. Eine Möglichkeit, dies zu tun, besteht darin, dass ich zur X-Achse komme und die Größe anhand der Anzahl vergrößere.
	Wie Sie hier sehen werden, hatte ich etwas hinter den Kulissen versteckt. Ich würde tatsächlich ein Etikett darüber anbringen, ein Prozentetikett.
	Vorher war einfach so viel los, dass man es nicht einmal sehen konnte, aber jetzt können wir tatsächlich einige dieser Informationen sehen. Das ist eine nette Art, es im Gegensatz zu Zählungen zusammenzufassen.
	Aber selbst mit der bloßen Visualisierung können wir deutlich erkennen, dass die größte Voreingenommenheit gegenüber schwarzen oder afroamerikanischen Bürgern und dann gegenüber Juden und so weiter besteht, bis es hier unten kaum noch welche gibt. Wenn Sie also nur die X-Achse betrachten, erhalten Sie viele Informationen darüber, was vor sich geht.
	Das Gleiche können wir auch mit dem Y machen, also noch einmal: Größe nach Anzahl.
	Und wieder sind viele Informationen allein in der Größe enthalten und wie ich die Achsen angepasst habe.
	Und diesen Fall beziehen wir ein ... wir haben diese Ecke wirklich betont, damit wir klar erkennen können, wer die besten Spieler sind. In diesem Fall ist es das meiste
	Die Straftäter sind weißer oder unbekannter Rasse gegen Afroamerikaner, der nächste gegen Juden und dann
	Anti-Weiß und dann sinkt es einfach weiter. Daher erhalten wir hier eine nette kleine Zusammenfassung dessen, was vor sich geht. Nun ist Ihnen vielleicht aufgefallen, 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 immer wieder festgestellt, dass dies ein großartiges statisches Bild sein könnte, aber nutzen wir die Leistungsfähigkeit von JMP, insbesondere diese Graphslets.
	um zu interagieren und zu sehen, welche weiteren Informationen wir herausfinden können. In diesem Fall bleibe ich also hier.
	Und hier ein Diagramm, in diesem Fall ein vollgepacktes Balkendiagramm, mit freundlicher Genehmigung unseres Diagramm-Guru Xan Gregg. In diesem Fall können Sie nicht nur sehen, wissen Sie,
	Welche Personen begehen die Straftaten und gegen wen? Ihre nächste Frage könnte lauten: Welche Arten von Straftaten werden begangen? Nun, mit einem Graphlet habe ich das für Sie beantwortet.
	Wir können hier die größte sehen ... die überwiegende Art der Straftat ist Einschüchterung, gefolgt von einfacher und schwerer Körperverletzung, und dann der Rest davon, das ist das Schöne an dem vollgepackten Balkendiagramm.
	Wir können alle anderen Arten von Straftaten sehen, die begangen werden. Wenn man sie alle übereinander stapelt, sind sie nicht einmal vergleichbar. Sie erreichen nicht einmal die Top Drei.
	Das verrät Ihnen also viel über die Art dieser Straftaten und darüber, wie dominant sie sind.
	Eine weitere 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 konsistente Sache? Gab es eine Trendwende? Also,
	hab keine Angst. Wieder einmal Graphlets zur Rettung. In diesem Fall kann ich Ihnen diese Trends tatsächlich zeigen. Hier können wir also sehen, wie sich das entwickelt hat
	Arten von ... hat sich die Anzahl der Einschüchterungsvorfälle im Laufe der Zeit verändert? Und wieder sehen wir, dass das Muster dem allgemeinen Trend zu folgen scheint.
	Ein ähnlicher Höhepunkt, Ende der 90er Jahre, und dann der steile Trend ... fast linearer Rückgang bis etwa Mitte der 2010er Jahre, bevor es in letzter Zeit wieder zu einem Anstieg kam.
	Und wieder können wir vielleicht diesen und andere Trends erkennen. Ich werde nicht klicken, um hineinzuzoomen, aber Sie können es einfach anhand der Handlung hier erkennen, die Tendenzen bei einfachen Körperverletzungen hier und auch bei schweren Körperverletzungen, ein wenig dort.
	Und Sie können weiter erkunden. Schauen wir uns also das Unbekannte im Vergleich zu Afroamerikanern an und sehen wir, welchen Unterschied es dort geben könnte. In diesem Fall können wir es deutlich sehen
	dass es zwei Arten von Straftaten gibt, die wirklich dominieren, in diesem Fall die Zerstörung oder Beschädigung von Eigentum (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 es ist). erledigt)
	und Einschüchterung sind die vorherrschenden Faktoren. Und noch einmal: Das Schöne daran ist, dass die Hover-Labels irgendwie bestehen bleiben, sodass Sie noch einmal nachsehen können, welche Trends dort stattfinden.
	In diesem Fall sehen wir also, dass es bei Schäden tatsächlich zwei Spitzen gibt, die hier Ende der 90er und Anfang der 2000er Jahre ihren Höhepunkt erreichten, bevor sie wieder abfielen. Und bei der Einschüchterung sehen wir einen ähnlichen Trend wie zuvor.
	Auch hier sind in nur einer Grafik viele Informationen enthalten, mit denen Sie als Benutzer interagieren können, um bestimmte Schlüsselbereiche hervorzuheben, und dann können Sie als Benutzer diese einfach visualisieren ... indem Sie sich das einfach ansehen und interagieren damit herumspielen und viele Informationen sammeln können.
	In Ordnung.
	Und lasst uns weitermachen. Nun werden Sie feststellen, dass die meisten Meldebehörden auf Stadt-/Kreisebene angesiedelt sind
	Polizeibehörden und so weiter, aber es gibt hier auch einige Universitäten. Es könnte also jemanden da draußen geben, der daran interessiert wäre, zu sehen, was an den Universitäten passiert.
	Und so habe ich dieses nette kleine Tabellenskript erstellt, um darauf zu antworten. Diesmal nun,
	Ich habe gerade die Tabellenskripte ausgeführt und erwähnt, dass ich nicht zu sehr hinter die Kulissen blicken werde, das dient eher der Veranschaulichung.
	Hier lasse ich Sie einen Blick darauf werfen, 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 zum Speichern von Grafiken verwenden, wie ich ... wie ich es im letzten getan habe, also haben Sie es vielleicht nicht bemerkt dass man auch sparen kann
	Skripte, die beim Ausführen zusätzlicher Tabellen und Übersichtstabellen usw. helfen. Lassen Sie mich Ihnen zeigen, was hier alles passiert. 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, die alle Universitäten ausgewählt hat, und dann aus dieser Datentabelle eine Zusammenfassung erstellt und dann die alte Tabelle geschlossen.
	Und dann habe ich noch einige Grafiken hinzugefügt. Deshalb werde ich hier nicht zu sehr ins Detail gehen, wie ich das einrichte, weil ich das für die Zeit nach dem nächsten aufheben möchte. Ich gebe Ihnen einen Hinweis. Es basiert auf einer neuen Funktion in JMP 16, die Sie wirklich in Erstaunen versetzen wird.
	Also gut, kommen wir zurück zu den... Entschuldigung... Vorfällen an der Universität.
	Und auch hier habe ich das Tabellenskript gespeichert. Dieses hier zeigt uns eine Grafik.
	Hier sehen wir also noch einmal dieses vollgepackte Balkendiagramm, und hier zeige ich Ihnen, an welchen Universitäten es die meisten Vorfälle gab. Auch dies an sich könnte eine ziemlich gute Standardgrafik sein.
	Sie können sehen, an welcher Universität sich die meisten Vorfälle ereignen, und es ist schön zu sehen, dass es keine wirklich dominierende Universität gibt. Die anderen Universitäten könnt ihr weiterhin einpacken
	über ihnen, und niemand dominiert den einen oder anderen. Das ist an sich schon eine gute Nachricht, aber auch das hat einen zeitlichen Aspekt. Also
	Waren das vielleicht... Hatte die University of Michigan Ann Arbor die ganze Zeit über Probleme? Hätten sie... wären sie immer an der Spitze geblieben? Hatten sie zufällig ein schlechtes Jahr? Nochmals Graphlets zur Rettung.
	In diesem Fall,
	Sie werden hier eine interessante Handlung sehen. Man könnte sagen: „Was ist das für ein Ding?“ Das sieht aus, als ob es in ein Art-Déco-Museum gehört. Was...
	Was ist das für eine Handlung? Nun, es ist tatsächlich eines, das wir schon einmal gesehen haben. Ich verwende nur etwas Neues, das in JMP 16 herausgekommen ist, also gebe ich Ihnen einen Blick hinter die Kulissen.
	Und in diesem Fall können wir sehen, dass es sich tatsächlich um eine Heatmap handelt. Alles was ich getan habe
	mache ich einen Trick, den ich oft gerne mache, nämlich Dinge auf zwei verschiedene Arten hervorzuheben, also nicht nur die Anzahlen durch Farbe hervorzuheben, was man normalerweise in einer Heatmap tun würde, sondern die weißen Bereiche sind die fehlenden Einträge, I kann jetzt in JMP 16 auch nach Größe hervorgehoben werden.
	Und so denke ich, dass dies wieder zu der Größe zurückkommt, zu der wir diese Achsen zuvor dimensioniert haben. Es betont...hilft dabei, bestimmte Bereiche hervorzuheben. Hier sehen wir also, dass es vielleicht ein kleines Problem mit Vorfällen gegen Afroamerikaner gibt.
	Das war ziemlich konsistent, wobei 2017 offenbar ein besonders schlechtes Jahr war, im Gegensatz zu allen anderen Vorfällen, die es gab.
	Jetzt gibt es hier keine zusätzlichen Hover-Labels.
	Ich werde nur die Daten zusammenfassen, aber das ist in Ordnung.
	Dies allein liefert Ihnen viele Informationen, es handelt sich also um eine neue Sache, die in JMP 16 eingeführt wurde und die bei dieser Betonung erneut hilfreich sein kann.
	Und wieder können wir weitermachen. Wir können uns andere Universitäten ansehen. Hier könnte dies ein Beispiel für eine Universität sein, an der es scheinbar ziemlich schlecht läuft.
	die University of Maryland im College Park, aber dann gab es einen Bereich, in dem
	Die Dinge liefen wirklich gut, und es könnte Sie interessieren, was dazu geführt hat, dass diese Zeit so großartig war?
	Hat die Universität irgendetwas eingeführt oder getan, was dazu geführt hat, dass die Zahl der Vorfälle deutlich gesunken ist? Das könnte eine Überlegung wert sein.
	Und Sie können weitermachen und erneut schauen, um zu sehen, ob es sich um ein systemisches Problem handelt, ob es in diesem Fall so aussah, als gäbe es einfach ein wirklich schlechtes Jahr, das dominierte, insgesamt ging es ihnen einfach gut.
	Es ging ihnen ziemlich gut. Auch dies könnte ein anderer sein. Sie hatten am Anfang eine wirklich schlechte Zeit, aber in letzter Zeit geht es ihnen ziemlich gut.
	und so weiter. Um diese Interaktivität noch einmal hervorzuheben,
	und in diesem Fall mit einigen der neueren Funktionen in JMP 16. Bevor wir nun zum letzten übergehen, muss ich ein Geständnis ablegen. Ich bin ein bisschen ein Karten-Nerd, also mag ich Karten und jede Art von Datenanalyse, die sich, wissen Sie, auf Karten bezieht.
	Ich weiß nicht warum. Es gefällt mir einfach sehr gut und deshalb freue ich mich sehr, Ihnen das nächste zu zeigen, denn jetzt schauen wir uns die Geographie der Vorfälle an.
	Aber ich bin auch begeistert, weil dies meiner Meinung nach die Leistungsfähigkeit sowohl der Tabellenskripte als auch der JMP-Grafiken, insbesondere der Hover-Diagramme, wirklich hervorhebt.
	Hoffentlich hat Sie das auch aufgeregt, also lassen Sie es uns durchspielen. Das wird nun eine Weile dauern, da mit diesem Tabellenskript tatsächlich viel los ist. Es wird eine neue Tabelle erstellt. Es führt auch viele Funktionen in dieser Tabelle aus
	und eine Menge Dinge rechnen. Hier haben wir also nicht nur, wissen Sie, Informationen eingeholt, sondern es gibt hier gegen Ende auch viele dieser Spalten, 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 habe ich in der JMP-Community (community.jmp.com) einen Blogeintrag mit dem Titel „Crime Rate Conundrum“ geschrieben.
	So ein schamloser Plug, aber darin habe ich darüber gesprochen, wie Sie wissen, normalerweise, wenn Sie Vorfälle, insbesondere Kriminalität, melden,
	Normalerweise wissen wir, dass Sie nicht nur die Rohzahlen melden möchten, weil
	Es könnte einen bestimmten Bereich geben, in dem es eine hohe Anzahl an Zählungen und Vorfällen gibt. Liegt das nur daran, dass ... dort ein Problem im Problem vorliegt?
	Oder liegt es daran, dass einfach so viele Leute da sind? Und deshalb würden wir natürlich mit vielen Vorfällen rechnen, weil es einfach viele Leute gibt. Also natürlich Leute
	Vorfallraten melden. Nun, das ist in Ordnung, weil jetzt alle gleiche Wettbewerbsbedingungen haben, aber ein Nebeneffekt davon ist, dass es tendenziell zu einer Verbesserung kommt
	Orte mit geringer Bevölkerungszahl. Im Wesentlichen gilt: Wenn Sie einen kleinen Nenner haben, tendieren Sie allein deshalb dazu, ein größeres Verhältnis zu haben.
	Und das ist eine Art unglücklicher Nebeneffekt, und ich spreche hier über einen interessanten Fall, in dem wir einen Ort mit einer wirklich kleinen Bevölkerung haben, die wirklich aufgeblasen wird.
	Und wie manche Menschen damit umgehen. Eine Möglichkeit, dem entgegenzuwirken, war im Wesentlichen die Verwendung einer gewichteten Vorfallrate
	Ich nehme Ihre Vorfallrate, aber dann gewichte ich Sie in gewisser Weise nach dem Verhältnis ...
	Entschuldigung ... im Grunde hängt das Gewicht davon ab, wie viele Leute 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 hätte. In diesem Fall gibt es jedoch 50 Staaten, sodass der Staat mit der größten Bevölkerung einen haben würde
	Rang 50 und der kleinste Staat Rang eins. Wenn Sie das nehmen und es durch den von Ihnen bekannten Höchstrang dividieren, ist das im Wesentlichen Ihr Gewicht, also ist das eine Art Ausdrucksweise
	ein Gewicht, das Ihrer Gesamtbevölkerung entspricht, und die Idee dabei ist, dass, wenn Ihre Vorfallrate so hoch ist, dass sie diese Gewichtseinbuße übersteigt, wenn Sie so wollen,
	Dann bedeutet das, dass Sie jemand sein könnten, der einen Blick wert ist. Es wird also versucht, gegenzusteuern
	diese Inflation, nur aufgrund einer kleinen Bevölkerung. Wenn Sie noch relativ klein sind, die Unfallrate aber so hoch ist, dass Sie Ihr Gewicht im Wesentlichen überwinden,
	Vielleicht möchten wir uns mit Ihnen befassen. Hoffentlich waren das nicht zu viele Informationen, aber das ist die Metrik, die ich hauptsächlich verwenden werde, also werde ich das Skript ausführen
	Und
	Auf geht's. Also habe ich zunächst ein einfaches Liniendiagramm erstellt, das die gewichteten Vorfallraten im Zeitverlauf für alle Bundesstaaten zeigt.
	Jetzt werde ich hier eine neue Funktion verwenden. Wir können hier sehen, dass New Jersey zu dominieren scheint. Auch hier handelt es sich um Interaktivität, wir können tatsächlich darauf klicken, um sie hervorzuheben.
	Es gibt einige neue Dinge, die wir tun, insbesondere in JMP 16. Ich klicke hier mit der rechten Maustaste und füge einige Beschriftungen hinzu. Machen wir also den Maximalwert und den letzten Wert
	nur zum Vergleich.
	Hier können wir also Folgendes sehen: Der Höchstwert lag hier etwa Anfang der 90er Jahre bei etwa 11,4 Vorfällen pro 1.000 (das ist eine gewichtete Vorfallrate).
	Und dann sehen wir einen rückläufigen Trend. Auch hier scheint die Gesamtrate der Vorfälle ungefähr so stark zu sinken, dass sie hier erneut ihren Höhepunkt erreicht
	2019. Nochmals mit nur ein paar kurzen Zahlen wäre dies an und für sich eine interessante Handlung, aber wie Sie sehen konnten, läuft mein kleiner Graphlet-Indikator, also gibt es noch mehr.
	Hier kommt der Kartenteil ins Spiel. Deshalb werde ich mit der Maus über einen bestimmten Punkt fahren.
	In diesem Fall nicht nur
	Können Sie sich die Gesamtrate vorstellen? Ich kann sie für Sie aufschlüsseln, in diesem Fall nach Landkreis. Also hier habe ich das gefärbt
	Landkreise nach der Gesamtzahl der Vorfälle in diesem Jahr. Und da ist wieder dieser Zeitaspekt, also sehen Sie hier eine Momentaufnahme für ein bestimmtes Jahr, in diesem Fall 2008.
	Aber vielleicht interessiert Sie der Gesamttrend. Eine Möglichkeit, das zu tun, wäre: Hey, das sind Graphlets. Ich könnte zurückgehen, den Mauszeiger über eine andere Stelle bewegen, das Diagramm aufrufen und darauf klicken, um es zu vergrößern.
	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, dass wir hier an der Seite einen lokalen Datenfilter haben. Das ist wirklich der Schlüssel hinter diesen Graphlets.
	Ich komme jetzt auf das Jahr zurück und ändere den Modellierungstyp auf „nominal“ und nicht auf „kontinuierlich“, denn jetzt kann ich so etwas tun. Ich kann tatsächlich durchkommen
	und wählen Sie einzelne Jahre aus, oder, das ist jetzt JMP, wir können es besser machen.
	Lassen Sie mich hierher gehen und ich werde eine Animation machen. Ich werde es hier etwas schneller machen. Ich werde auf „Play“ klicken und jetzt kann ich mich entspannt zurücklehnen und zusehen, wie JMP Dinge für mich erledigt.
	Hier können wir sehen, wie es durchläuft und ein Gefühl dafür bekommen, was passiert. Ich werde es ein wenig durchgehen lassen. Wir sehen ... bereits jetzt, dass hier einige interessante Dinge passieren.
	Lassen wir es durchgehen, um uns ein vollständiges Bild zu verschaffen. Wir wollen das vollständige Bild, nicht, dass ich angeberisch bin oder so.
	Okay, wir sind also durchgefahren und haben etwas bemerkt. Also lasst uns hier runter gehen, sagen wir mal 2004, 2005. Irgendwo hier ist uns also aufgefallen, dass dieser eine Landkreis hier besonders hervorgehoben zu sein scheint.
	Und tatsächlich haben Sie meinen kleinen Graphlet-Indikator gesehen. Ich kann also wieder darüber schweben, und zwar hier
	noch eine weitere Karte. Jetzt könnt ihr sehen, warum ich so aufgeregt bin.
	Auch in diesem Fall kann ich Ihnen tatsächlich die Kreisebene zeigen, also die einzelne Kreisebene ...
	Entschuldigung, lassen Sie mich... lassen Sie uns das etwas verschieben. Da sind wir. Einige kleinere Anpassungen und wieder sehen Sie meinen Trick, Dinge auf zwei Arten hervorzuheben, sowohl durch Größe als auch durch Farbe.
	Wir können eine Art Streuung innerhalb des ??? erkennen, das sind einzelne Orte und da es wieder diesen Zeitaspekt gibt,
	Wir wissen es ... jetzt wissen wir es besser, wir müssen nicht zurückgehen und klicken und mehrere Diagramme erhalten, sondern können wieder die lokalen Datenfiltertricks verwenden. Also kann ich zurückgehen. Ich werde tun
	das Jahr, und so können wir uns in diesem Fall noch einmal durchklicken. Hier verwende ich einfach die Pfeiltasten auf meiner Tastatur, um sozusagen durchzugehen.
	Und bekommen Sie einfach ein Gefühl dafür, wie sich die Dinge im Laufe der Zeit verändern. In diesem Fall sehen Sie einen bestimmten Bereich, den Sie wahrscheinlich bereits gesehen haben, etwa ab dem Jahr 2006 oder 2007.
	Es gibt diesen einen Bereich... diesen hier.
	Keansburg, das hervorgehoben zu sein scheint und Sie werden ein weiteres Diagramm bemerken. Wie weit willst du gehen?
	Graphception, wenn Sie so wollen.
	Wir können
	immer weiter nach unten gehen. In diesem Fall verstehe ich … Ich unterbreche es anhand der Voreingenommenheit, und wenn ich wollte, könnte ich auch diesen Trick anwenden, nämlich jedes Jahr durchgehen und durchgehen.
	Also, wieder so viel Kraft in diesen Grafiken. Mit diesem einen Graphlet war ich in der Lage, geografische Unterschiede auf Kreisebene und sogar noch weiter unten zu erkunden, und das könnte auch so sein
	So können Sie verschiedene Aspekte der Daten untersuchen und so weitere Fragen generieren. Was geschah zu dieser Zeit in Keansburg, dass es so platzte?
	Das ist etwas, was Sie vielleicht wissen möchten.
	Das ist also alles, was ich heute für Sie habe. Ich hoffe, ich habe Ihren Appetit geweckt und konnte Ihnen anschaulich veranschaulichen, wie leistungsstark die JMP-Visualisierung bei der Erkundung der Daten ist.
	Wenn Sie mehr wissen möchten, gibt es einen Plenarvortrag zum Thema Daten. Ich ermutige Sie auf jeden Fall, sich damit auseinanderzusetzen, und es hilft dabei, verschiedene Arten der Visualisierung anzusprechen und wie JMP dabei helfen kann.
	Aber ich habe Ihnen einmal versprochen, Ihnen einen Einblick zu geben, 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. Das erweiterte Protokoll verfolgt Ihre Interaktion tatsächlich und verfolgt sie. Und wann immer ich eine Datentabelle schloss, in diesem Fall eine Datentabelle schloss, eine Datentabelle öffnete, eine Datentabelle ausführte,
	Wenn ich eine neue Spalte hinzugefügt oder ein neues Diagramm erstellt habe, wird dies hier im Protokoll aufgezeichnet.
	Darüber wird John Sall in seinem Plenarvortrag sprechen. Es ist wieder einmal eine der neusten und erstaunlichsten Funktionen hier.
	Und das ist der Schlüssel dazu, wie ich diese Tabellenskripte erstellen konnte. Ich kann ehrlich sagen, dass ich ohne diese Möglichkeit wahrscheinlich nicht in der Lage gewesen wäre, diese ziemlich coolen Tabellenskripte zu erstellen, weil das 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 Werkzeug zum Erkunden von Daten, zum Erstellen großartiger Visualisierungen und interaktiver Visualisierungen ist. Und das ist alles, was ich habe. Danke fürs Kommen.

Das Beste vom GipfelAusbrechenDatenexplorationDatenvisualisierung