Conférencier
|
Transcription
|
| Caleb King |
Bonjour, je m'appelle Caleb King, je suis développeur au logiciel JMP. Je suis spécifiquement dans le groupe de conception d'expériences, mais aujourd'hui je vais être |
| |
un peu hors sujet et parlez de la façon dont vous pouvez utiliser les graphiques et certains des autres outils de JMP pour aider à la sorte de narration visuelle de vos données. |
| |
Maintenant, l'ensemble de données que j'ai choisi est un ... pour illustrer cela, ce sont les données sur les crimes de haine collectées par le FBI, donc peut-être un ensemble de données un peu controversé, mais aussi assez pertinent pour ce qui se passe. |
| |
Et mon objectif est de rendre cela plus illustratif afin que je passe en revue quelques graphiques que j'ai créés précédemment |
| |
pour cet ensemble de données. Et je ne vous montrerai pas nécessairement comment j'ai créé les graphiques, mais le but est de vous illustrer en quelque sorte comment vous pouvez utiliser JMP |
| |
pour, comme je l'ai dit, la narration visuelle, utilisez donc l'interactivité pour aider les gens à regarder les graphiques et à interagir avec eux |
| |
pour peut-être poser plus de questions, peut-être répondrez-vous à certaines de leurs questions au fur et à mesure. Mais encouragez en quelque sorte cette exploration des données, ce dont nous sommes tous ici au JMP. |
| |
Donc, avec cela dit, entrons immédiatement. |
| |
Je vais d'abord vous donner un petit aperçu de l'ensemble de données lui-même, donc je vais en quelque sorte faire défiler ici. Il y a donc beaucoup d'informations sur |
| |
où les incidents ont eu lieu. |
| |
Comme nous continuons, et la date, eh bien, quand cet incident s'est produit. Vous avez un peu d'informations sur les délinquants |
| |
et quelle infraction, quel type d'infraction a été commis. Encore une fois, quelques informations de base, quel type de biais a été présenté dans l'incident. Quelques informations sur les victimes. |
| |
Et la catégorie de discrimination globale, puis quelques informations supplémentaires que j'ai fournies sur la latitude et la longitude, si elles sont disponibles, ainsi que sur une population que j'utiliserai d'autres graphiques. Maintenant juste pour le plaisir de, vous savez, pour être clair, |
| |
le FBI, c'est-à-dire le Federal Bureau of Investigation des États-Unis, définit un crime de haine |
| |
infraction criminelle qui a lieu et qui est motivée par des préjugés contre un groupe particulier. Donc, ce préjugé pourrait être racial, contre la religion, le sexe, l'identité de genre, etc. |
| |
Ainsi, tant qu'un crime est motivé par un parti pris particulier, il est considéré comme un crime de haine, et ces données comprennent tous les incidents qui ont été |
| |
collectées par le FBI, remontant à l'année 1991 et aussi récente que 2019. Je n'ai pas de données de 2020, aussi intéressantes que cela puisse être, |
| |
mais c'est parce que le FBI aime prendre son temps et s'assurer que les données sont soigneusement nettoyées et préparées avant de créer réellement leurs rapports. Alors |
| |
vous pouvez être assuré que ces données sont assez précises, compte tenu du temps et des efforts qu'ils consacrent à leur mise en œuvre. |
| |
Très bien, alors commençons en quelque sorte et faisons un résumé visuel de base des données. Je vais donc commencer par exécuter ce petit script de table ici. Et tout ce que cela fait, c'est nous donner fondamentalement |
| |
un décompte au fil des jours, donc chaque jour, combien d'incidents se sont produits, selon un biais particulier. À partir de là, je vais créer un tracé de base, dans ce cas, c'est une sorte de tracé linéaire |
| |
ici, montrant le nombre d'incidents qui se produisent chaque jour sur toute la plage. Donc, vous obtenez la totalité ... vous pouvez voir toute la gamme des données de 1991 à 2019 |
| |
et combien d'incidents se sont produits. Maintenant, cela en soi serait probablement une bonne image statique, parce que vous avez en quelque sorte une idée de |
| |
où tombe le nombre d'incidents. En fait, ici, je vais modifier un peu les paramètres de l'axe. Voyons voir, nous avons des incréments de 50, faisons-le par 20. On y va. |
| |
Il y a donc un peu d'interactivité pour vous ... interaction. Nous avons changé les échelles pour les affiner et avoir une meilleure idée de |
| |
combien d'incidents, en moyenne, il y a. J'ai fait une petite distribution et, en moyenne, environ 20 incidents par jour |
| |
que nous voyons ici. Maintenant, bien sûr, vous vous demandez probablement pourquoi je n'ai pas encore abordé les deux pics que nous voyons dans les données. |
| |
Alors oui, il y a clairement deux pointes très hautes. Et donc, si c'était |
| |
tout autre type de logiciel, vous pourriez dire, d'accord, j'aurais envie de me pencher là-dessus. Donc, vous revenez aux données que vous essayez et, vous |
| |
savoir, isoler où se trouvent ces dates et peut-être essayer de présenter des graphiques ou faire des analyses pour montrer ce qui se passe là-bas. Eh bien, c'est JMP et nous avons quelque chose qui peut |
| |
aide avec cela, et c'est quelque chose que nous avons introduit dans JMP 15 appelé graphlets et cela fonctionne comme ça. Je vais juste planer et boum. |
| |
Un petit graphique est apparu pour aider à résumer davantage ce qui se passe à ce stade. Donc, dans ce cas, il y a beaucoup d'informations. |
| |
Nous remarquerons d'abord la date, le 1er mai 1992. Donc, si vous connaissez l'histoire américaine, vous savez peut-être ce qui se passe ici, mais sinon, |
| |
vous pouvez obtenir un petit indice supplémentaire en cliquant sur le graphique. Alors maintenant tu verras que je te montre |
| |
les incidents par le biais particulier de l'incident. Nous voyons donc ici que la plupart des incidents étaient contre des individus blancs et ensuite le groupe suivant est noir ou afro-américain et cela continue vers le bas. |
| |
Je donne en quelque sorte la réponse ici, en ce sens que les incidents qui se sont produits à cette époque où les émeutes de Rodney King en Californie. Rodney King, |
| |
un individu afro-américain qui a malheureusement été tué par un policier et qui a conduit à beaucoup de réactions négatives et d'émeutes |
| |
vers cette heure-ci. C'est donc ce que nous voyons capturé dans ce point de données particulier, et si vous ne le saviez pas, vous auriez au moins cette information pour essayer de commencer et aller chercher là-bas ... regarder en ligne pour comprendre ce qui s'est passé. |
| |
On peut faire la même chose ici avec un très gros pic. Et encore une fois, je vais utiliser le graphlet de survol, alors survolez-le. Je vais faire une pause pour vous laisser regarder. Nous regardons donc la date, le 12 septembre 2001. C'est en soi un très gros indice |
| |
quant à ce qui s’est passé. Mais si nous regardons ici la répartition, nous pouvons voir que la plupart des incidents étaient contre des individus de confession musulmane, de |
| |
Origine ethnique arabe ou autre type d’ethnicité ou d’ascendance similaire. Dans ce cas, on voit clairement |
| |
que, après les événements malheureux du 11 septembre, les attentats terroristes qui ont eu lieu alors, il y a eu le lendemain, beaucoup de contrecoups contre |
| |
des membres qui appartenaient à une ethnie similaire, à une religion similaire, etc., nous avons donc eu une réaction malheureuse à ce moment-là. |
| |
Donc, déjà avec cette seule intrigue et une partie de cette interactivité, nous avons pu glaner beaucoup d'informations, beaucoup d'informations de haut niveau dans des domaines où vous voudrez peut-être regarder plus loin. |
| |
Mais nous pouvons continuer. Maintenant, quelque chose de nouveau dans JMP 16 est que, parce que nous avons la date ici sur l'axe X, nous pouvons en fait classer les dates dans une catégorie plus grande, donc dans ce cas, rangons-les par mois. |
| |
Et on voit que l'intrigue disparaît. Alors, voici ce que je vais faire. Je vais le relancer et voyons voir. |
| |
On y va. |
| |
Vous ne savez jamais ce qui va se passer. Dans ce cas, c'est donc ce qui est censé se produire; ne t'inquiète pas. |
| |
Nous l'avons donc regroupé par mois et nous avons remarqué une tendance intéressante ici. Il semble y avoir une sorte de tendance saisonnière qui se produit, et utilisons les graphlets de survol pour nous aider en quelque sorte à identifier ce qui pourrait se passer. Je vais donc survoler les points inférieurs. Donc si je fais ça, |
| |
nous voyons bien, janvier, décembre, d'accord. Intéressant. Survolons un autre, décembre. |
| |
Et encore un autre, décembre. Ah, il pourrait en fait y avoir une tendance saisonnière réelle dans ce cas. Nous semblons avoir atteint des points bas pendant les mois d'hiver. |
| |
Et en fait, si je reviens à mon tableau de données, je l'ai déjà vu. C'est quelque chose que j'ai découvert en explorant cette technique et j'ai déjà créé une intrigue pour y remédier. |
| |
C'est donc quelque chose que j'ai créé à partir de cela, en quelque sorte, regardez, vous savez, quelle est la variation du nombre d'incidents au cours des années au cours de ce mois. |
| |
Et ici, nous pouvons voir les tendances moyennes, mais nous voyons aussi beaucoup de variations, surtout ici en septembre à cause de cet énorme pic là-bas. |
| |
Alors peut-être avons-nous besoin de quelque chose d'un peu plus approprié. Je vais donc ouvrir le panneau de configuration et bon, choisissons la médiane. C'est plus robuste et peut-être regarder l'intervalle interquartile, de cette façon nous avons un peu plus robuste |
| |
métriques pour jouer avec. |
| |
Et donc, encore une fois, nous voyons que les tendances saisonnières, il semble donc qu'il y ait définitivement une forte baisse pendant les mois d'hiver |
| |
par opposition à une sorte de pointe au printemps et en été. À présent |
| |
c'est peut-être quelque chose que quelqu'un voudra peut-être approfondir et rechercher pourquoi cela se produit. |
| |
Vous pourriez avoir vos propres explications. Mon explication personnelle est que je crois que l'esprit de Noël est si puissant qu'il surmonte tout ce que les individus peuvent avoir de haine ou de préjugé en décembre. |
| |
Encore une fois, c'est juste ma préférence personnelle, vous avez probablement la vôtre. Mais encore une fois, avec une seule intrigue, j'ai pu découvrir cette tendance et |
| |
faire une autre intrigue pour explorer cela plus en détail. Donc, encore une fois avec cette seule intrigue, j'ai encouragé plus de recherche. Et nous pouvons continuer. |
| |
Voyons donc, classons-le par année, et si nous faisons cela, nous pouvons clairement voir ce genre de tendance générale. |
| |
On voit donc une sorte de pic à la fin des années 90 vers le début des années 2000 avant de chuter, vous savez, de façon presque linéaire, |
| |
jusqu'à ce qu'il atteigne son point médian vers le milieu des années 2010 avant de recommencer à augmenter. Gardez cela à l'esprit, vous pourriez voir des tendances similaires dans d'autres graphiques que nous montrons. Mais encore une fois, prenons du recul et réalisons simplement que dans cette intrigue, nous avons vu différents |
| |
aspects des données. Nous même |
| |
répondu à quelques questions, mais nous en avons peut-être aussi soulevé quelques-unes. Quelle est cette tendance saisonnière? |
| |
Et si vous ne saviez pas quels étaient ces événements que je vous ai dit, vous savez, quels étaient ces événements particuliers? C'est donc la beauté de l'interactivité des graphiques JMP, c'est qu'elle permet à l'utilisateur de s'engager et d'explorer et de tout encourager dans un seul support particulier. |
| |
D'accord. |
| |
Continuons. J'ai donc mentionné qu'il s'agissait d'une sorte de narration visuelle, vous pouvez donc penser à ce genre de prologue, comme une sorte de vue d'ensemble. Qu'est-ce que ... qu'est-ce que |
| |
quelle est la situation générale? Regardons maintenant le genre d'acteurs, |
| |
c'est-à-dire, qui commet ces types d'infractions? Contre qui les commettent-ils? Quelles informations pouvons-nous trouver à ce sujet? Alors ici j'ai |
| |
créé, encore une fois, un complot pour aider à répondre à cela. Maintenant, cela pourrait être un bon début. Ici, j'ai créé une carte de chaleur |
| |
cela met alors l'accent sur les chefs d'accusation, dans ce cas, en fonction de la race du délinquant par rapport à son parti pris particulier. Alors on voit ça |
| |
beaucoup de ce qui se passe, dans ce cas, j'ai trié les colonnes pour que nous puissions voir qu'il se passe beaucoup de choses. La plupart de ses ici dans cette tige |
| |
coin gauche et il ne se passe pas trop de choses ici, ce qui, je suppose, est une bonne nouvelle. Il y a beaucoup de préjugés là où il ne se passe pas grand chose, la majeure partie se passe ici, dans ce coin. |
| |
Maintenant, cela pourrait être une bonne intrigue, mais encore une fois, il y a beaucoup d'espace ouvert ici. Alors peut-être pouvons-nous jouer avec les choses pour essayer de souligner ce qui se passe. Donc, une façon de le faire est de venir ici sur l'axe X et de dimensionner en fonction du nombre. |
| |
Maintenant, vous verrez ici, j'avais quelque chose de caché dans les coulisses. Je mettrais en fait une étiquette, une étiquette de pourcentage par-dessus. |
| |
Il se passait tellement de choses avant que vous ne pouviez même pas le voir, mais maintenant nous pouvons en fait voir certaines de ces informations. C'est donc une bonne façon de résumer les choses par opposition aux décomptes. |
| |
Mais même avec juste la visualisation, nous pouvons clairement voir que le plus grand nombre de préjugés est contre les citoyens noirs ou afro-américains, puis juifs jusqu'à ce qu'il n'y en ait pratiquement pas ici. Donc, juste en regardant l'axe X, cela vous donne beaucoup d'informations sur ce qui se passe. |
| |
Nous pouvons faire la même chose avec le Y, donc encore une fois, taille par le nombre. |
| |
Et encore une fois, il y a beaucoup d'informations contenues juste dans la taille et comment j'ai ajusté les axes. |
| |
Et ce cas, nous incluons ... nous avons vraiment mis l'accent sur ce coin, afin que nous puissions clairement voir qui sont les meilleurs joueurs. Dans ce cas, la majeure partie est |
| |
les délinquants sont de race blanche ou inconnue contre les Afro-Américains, le prochain étant contre les juifs, et ensuite |
| |
anti blanc et puis il ne cesse de baisser. Nous obtenons donc un joli petit résumé ici de ce qui se passe. Maintenant, vous avez peut-être remarqué que pendant que je plane, nous voyons notre petit cercle. C'est mon indicateur de graphlet, donc encore une fois, j'ai un outil ici. |
| |
Nous avons interagi un peu et encore, cela pourrait être une excellente image statique, mais utilisons la puissance de JMP, en particulier ces graphslets, |
| |
pour interagir et voir quelles informations supplémentaires nous pouvons trouver. Donc dans ce cas, je passerai ici. |
| |
Et ici, un graphique, dans ce cas, un graphique à barres emballé, gracieuseté de notre gourou des graphes Xan Gregg. Dans ce cas, non seulement pouvez-vous voir, vous savez, |
| |
Quelles personnes commettent les infractions et contre qui, votre prochaine question aurait pu être, vous savez, quels types d'infractions sont commises? Eh bien, avec un graphlet, j'ai répondu à cela pour vous. |
| |
Nous pouvons voir ici le plus grand ... le type d'infraction accablant est l'intimidation, suivie de voies de fait simples et aggravées, et puis le reste, c'est la beauté du graphique à barres rempli. |
| |
Nous pouvons voir tous les autres types d'infractions qui sont commises. Si vous les empilez tous les uns sur les autres, ils ne se comparent même pas. Ils ne cassent même pas les trois premiers. |
| |
Cela vous en dit long sur les types de ... ces types d'infractions, à quel point ils sont dominants. |
| |
Maintenant, une autre question que vous pourriez avoir est, d'accord, nous avons vu les acteurs, nous avons vu les actions qu'ils entreprennent, |
| |
mais il y a un aspect temporel à cela. De toute évidence, cela se produit avec le temps, est-ce que cela a été une chose cohérente? Y a-t-il eu un changement dans les tendances? Bien, |
| |
N'ai pas peur. Graphlets à nouveau à la rescousse. Dans ce cas, je peux vous montrer ces tendances. Nous pouvons donc voir ici comment le |
| |
types de ... le nombre d'incidents d'intimidation a-t-il changé au fil du temps? Et encore une fois, nous voyons que le modèle semble suivre ce qu'était cette tendance générale. |
| |
Un pic dans le même ordre, fin des années 90, puis la tendance abrupte ... baisse presque linéaire jusqu'au milieu des années 2010, avant de remonter plus récemment. |
| |
Et encore une fois, nous pouvons peut-être voir cette tendance et d'autres. Je ne vais pas cliquer pour zoomer, mais vous pouvez simplement voir à partir de l'intrigue ici, ces tendances en matière d'agression simple ici et d'agression aggravée également, un peu là. |
| |
Et vous pouvez continuer à explorer. Alors regardons l'inconnu contre les Afro-Américains et voyons quelle différence il pourrait y avoir là-bas. Dans ce cas, on voit clairement |
| |
qu'il y a deux types d'infractions qui dominent vraiment, dans ce cas, la destruction ou les dommages à la propriété (ce qui, si vous y réfléchissez, peut avoir du sens; si vous voyez que votre propriété a été endommagée, il y a de fortes chances que vous ne sachiez pas qui l'a fait) |
| |
et l'intimidation sont les plus dominantes. Et encore une fois, vous pouvez ... ce qui est bien à ce sujet, c'est que les étiquettes de survol persistent, vous pouvez donc à nouveau regarder et voir quelles tendances se produisent là-bas. |
| |
Donc dans ce cas, nous voyons avec des dégâts, il y a en fait deux pics, en quelque sorte culminés ici à la fin des années 90 au début des années 2000, avant de redescendre. Et avec l'intimidation, nous constatons une tendance similaire à celle que nous avons connue auparavant. |
| |
Encore une fois, dans un seul graphique, il y a beaucoup d'informations contenues et avec lesquelles vous, en tant qu'utilisateur, pouvez interagir pour essayer de mettre en valeur certains domaines clés, puis vous, en tant qu'utilisateur, visualisez simplement ... il suffit de regarder cela et d'interagir. avec lui, peut jouer et glaner beaucoup d'informations. |
| |
D'accord. |
| |
Et continuons. Maintenant, vous remarquerez que parmi les agences d'évaluation, la plupart d'entre elles sont au niveau de la ville / du comté |
| |
les services de police et ainsi de suite, mais il y a aussi des universités ici. Donc, il y a peut-être quelqu'un qui pourrait être intéressé à voir, vous savez, ce qui se passe dans les universités. |
| |
Et donc, avec cela, j'ai créé ce joli petit script de table pour répondre à cela. Maintenant cette fois, |
| |
Je viens de lancer les scripts de table et j'ai mentionné que je n'entrerai pas trop dans les coulisses, c'est plus illustratif. |
| |
Ici, je vais vous laisser jeter un coup d'œil, car je veux non seulement vous montrer la puissance des graphiques, mais aussi la puissance du script de table. Maintenant, si vous connaissez JMP, |
| |
vous savez peut-être, d'accord, le script du tableau est sympa parce que je peux sauvegarder mes analyses, je peux sauvegarder mes rapports, je peux même l'utiliser pour sauvegarder des graphiques comme je ... comme je l'ai fait dans le dernier, donc vous ne l'avez peut-être pas remarqué que vous pouvez également enregistrer |
| |
scripts pour aider à exécuter des tableaux supplémentaires et des tableaux récapitulatifs, etc. Alors laissez-moi vous montrer ce qui se passe derrière ici, en fait, lorsque j'ai exécuté le script, j'ai en fait créé deux tables de données. |
| |
Vous n'avez vu que celui-là, donc dans ce cas, j'ai d'abord créé le tableau de données qui sélectionnait toutes les universités, puis à partir de ce tableau de données, il a créé un résumé, puis je ferme l'ancien. |
| |
Et puis j'ai également ajouté à cela quelques graphiques. Je n'entrerai donc pas trop dans les détails ici sur la façon dont j'ai configuré cela, car je veux garder cela pour après le prochain. Je vais vous donner un indice. Il est basé sur une nouvelle fonctionnalité de JMP 16 qui vous étonnera vraiment. |
| |
Très bien, revenons sur ... excusez-moi ... les incidents universitaires. |
| |
Et là encore, j'ai enregistré le script de table. Celui-ci qui nous montrera un graphique. |
| |
Donc, ici, nous pouvons voir à nouveau ce graphique à barres emballé, et ici je vous montre en quelque sorte quelles universités ont eu le plus d'incidents. Encore une fois, cela pourrait en soi être un très bon graphique standard. |
| |
Vous pouvez voir que, vous savez, quelle université semble avoir le plus d'incidents et encore une fois, c'est plutôt agréable de voir qu'il n'y en a pas vraiment qui domine. Vous pouvez toujours emballer les autres universités |
| |
au-dessus d'eux, et personne ne domine l'un ou l'autre. C'est donc en soi une bonne nouvelle, mais encore une fois, il y a un aspect temporel à cela. Alors |
| |
est-ce que cela a peut-être été ... l'Université du Michigan à Ann Arbor, a-t-elle eu des problèmes tout le temps? Est-ce qu'ils ... seraient-ils toujours restés au top? Ont-ils juste eu une mauvaise année? Encore une fois, les graphlets à la rescousse. |
| |
Dans ce cas, |
| |
vous verrez une intrigue intéressante ici. Vous pourriez dire, vous savez, qu'est-ce que c'est que ce truc? On dirait qu'il appartient à un musée Art Déco. Quoi... |
| |
quel genre de complot est-ce? Eh bien, c'est en fait un que nous avons vu auparavant. J'utilise juste quelque chose de nouveau qui est sorti dans JMP 16, donc je vais vous donner un aperçu des coulisses. |
| |
Et dans ce cas, nous pouvons le voir, il s'agit en fait d'une carte thermique. Tout ce que j'ai fait |
| |
est-ce que je fais une astuce que j'aime souvent faire, qui consiste à souligner les choses de deux manières différentes, donc non seulement en mettant l'accent sur les décomptes par couleur, ce que vous feriez généralement dans une carte de chaleur, les blancs sont les entrées manquantes, je peut également maintenant dans JMP 16 souligner par la taille. |
| |
Et donc je pense que cela nous ramène encore là où nous dimensionnions ces axes auparavant. Il met l'accent ... aide à mettre en valeur certains domaines. Donc, ici, nous pouvons voir maintenant peut-être qu'il y a un petit problème avec les incidents contre les Afro-Américains, |
| |
cela a été assez cohérent, avec une année particulièrement mauvaise en 2017 apparemment, par opposition à tous les autres incidents qui se sont produits. |
| |
Il n'y a plus d'étiquettes de survol supplémentaires ici. |
| |
Tout ce que je vais faire, c'est résumer les données, mais ce n'est pas grave. |
| |
Cela en soi vous donne beaucoup d'informations, c'est donc une nouvelle chose qui est sortie dans JMP 16 qui peut encore une fois aider avec cette emphase. |
| |
Et encore une fois, nous pouvons continuer. Nous pouvons regarder d'autres universités, donc ici, cela pourrait être un exemple d'une université où elles semblent avoir une période assez mauvaise, |
| |
l'Université du Maryland à College Park, mais il y avait alors une zone où |
| |
les choses allaient vraiment bien, et vous voudriez peut-être savoir, eh bien, ce qui s'est passé pour faire de cette période une si belle période? |
| |
Y a-t-il quelque chose que l'université a institué, ce qu'elle a fait qui a semblé faire baisser considérablement le décompte, le nombre d'incidents? Cela pourrait valoir la peine d'être examiné. |
| |
Et vous pouvez continuer et regarder à nouveau pour voir si c'est un problème systémique, si, dans ce cas, il semble qu'il y ait juste une très mauvaise année qui a dominé, dans l'ensemble, ils allaient bien. |
| |
Ils allaient plutôt bien. Encore une fois, cela pourrait être un autre. Ils ont passé un très mauvais moment au début, mais récemment, ils se sont plutôt bien débrouillés, |
| |
et ainsi de suite. Encore une fois, pour souligner encore une fois cette interactivité, |
| |
et dans ce cas, avec certaines des nouvelles fonctionnalités de JMP 16. Maintenant, avant de passer au dernier, j'ai une confession. Je suis un peu un nerd de la carte, alors j'aime vraiment les cartes et tout type d'analyse de données qui, vous savez, se rapporte aux cartes. |
| |
Je ne sais pas pourquoi. Je l'aime vraiment vraiment et je suis donc très excité de vous montrer celui-ci, car maintenant nous regardons la géographie des incidents. |
| |
Mais je suis également enthousiasmé car cela souligne vraiment, je crois, la puissance des scripts de table et des graphiques JMP, en particulier les graphiques de survol. |
| |
J'espère que cela vous a également enthousiasmé, alors allons-y. Maintenant, celui-ci va prendre un peu de temps car il se passe beaucoup de choses avec ce script de table. Cela crée une nouvelle table. Il fait également beaucoup de fonctions dans cette table |
| |
et calculer beaucoup de choses. Donc, ici, nous n'avons pas seulement, vous savez, l'extraction d'informations, mais il y a aussi beaucoup de ces colonnes ici vers la fin qui ont été calculées dans les coulisses. |
| |
Je dois maintenant prendre un bref instant pour parler d'une métrique particulière que je vais utiliser. Il y a quelque temps, j'ai écrit une entrée de blog intitulée Crime Rate Conundrum sur la communauté JMP (community.jmp.com), |
| |
plug tellement impudique là-bas, mais en cela j'ai parlé de la façon dont, vous savez, généralement lorsque vous signalez des incidents, en particulier des incidents criminels, |
| |
généralement, nous savons que vous ne voulez pas simplement rapporter les décomptes bruts, car |
| |
il peut y avoir un certain domaine où il y a un nombre élevé de dénombrements, un nombre élevé d'incidents, est-ce simplement parce que c'est ... il y a un problème là-bas? |
| |
Ou est-ce parce qu'il y a juste beaucoup de monde là-bas? Et donc, bien sûr, nous nous attendrions à beaucoup d'incidents parce qu'il y a juste beaucoup de monde. Alors bien sûr les gens |
| |
signaler les taux d'incidents. Maintenant, c'est bien parce que tout le monde est maintenant sur un pied d'égalité, mais un effet secondaire de cela est qu'il a tendance à augmenter |
| |
endroits qui ont de petites populations. Essentiellement, si vous avez un petit dénominateur, vous aurez tendance à avoir un ratio plus élevé simplement à cause de cela. |
| |
Et donc c'est une sorte d'effet secondaire malheureux, et donc là, je parle d'un cas intéressant où nous avons un endroit avec une très petite population qui est vraiment gonflé. |
| |
Et comment certaines personnes gèrent cela. J'ai essayé de résoudre ce problème en utilisant un taux d'incidents pondéré, essentiellement, l'idée est |
| |
Je prends votre taux d'incidents, mais ensuite je vous pondère en fonction, en quelque sorte, de quelle proportion ... |
| |
excusez-moi ... en gros un poids par rapport au nombre de personnes que vous avez là-bas. Dans ce cas, j'ai un poids particulier, je classe essentiellement les populations, |
| |
de sorte que la plus grande place aurait le rang de la plus petite. Cependant, dans ce cas, il y a 50 États, donc l'État avec la plus grande population aurait un |
| |
rang de 50 et le plus petit état un rang de un. Si vous prenez cela et divisez cela par vous connaissez le rang maximum, c'est essentiellement votre poids, c'est donc un moyen de mettre |
| |
un poids correspondant à votre population totale et l'idée ici est que, si votre taux d'incidents est tel qu'il surmonte cette pénalité de poids, si vous voulez, |
| |
alors cela signifie que vous pourriez être quelqu'un qui vaut la peine d'être examiné. Alors il essaie de contrecarrer |
| |
cette inflation, juste en raison d'une petite population. Si vous êtes encore relativement petit, mais que votre taux d'incidents est suffisamment élevé pour que vous surmontiez votre poids essentiellement, |
| |
nous pourrions vouloir vous examiner. J'espère que ce n'était pas trop d'informations, mais c'est la métrique que j'utiliserai principalement, donc je vais exécuter le script |
| |
et |
| |
nous y voilà. J'ai donc d'abord un graphique linéaire simple qui montre en quelque sorte les taux d'incidents pondérés au fil du temps pour tous les États. |
| |
Je vais maintenant utiliser une nouvelle fonctionnalité ici. On voit ici que le New Jersey semble dominer. Encore une fois l'interactivité, on peut effectivement cliquer pour la mettre en évidence. |
| |
Il y a de nouvelles choses que nous faisons, en particulier dans JMP 16. Je vais faire un clic droit ici et je vais ajouter quelques étiquettes. Alors faisons la valeur maximale et faisons la dernière valeur |
| |
juste pour comparaison. |
| |
Donc, ici, nous pouvons voir ceci ... le pic ici était d'environ 11,4 incidents pour 1000 (c'est un taux d'incidents pondéré) ici en quelque sorte au début des années 90. |
| |
Et puis nous voyons une tendance à la baisse, encore une fois, il semble baisser à peu près de la même manière que tout le taux d'incidents global avant de recommencer à culminer ici. |
| |
2019. Encore une fois, avec juste quelques chiffres brefs, ce serait en soi une intrigue intéressante à regarder, mais comme vous avez pu le voir, mon petit indicateur de graphlet va, donc il y a plus. |
| |
Voici où la partie de la carte entre en jeu. Je vais donc survoler un point particulier. |
| |
Dans ce cas, non seulement |
| |
pouvez-vous voir une sorte de taux global, je peux en fait le décomposer pour vous, dans ce cas par comté. Alors ici j'ai coloré le |
| |
comtés par le nombre total d'incidents au cours de cette année. Et encore une fois, il y a cet aspect temporel, donc cela vous montre un instantané pour une année particulière, dans ce cas 2008. |
| |
Mais peut-être que vous êtes intéressé par la tendance générale, donc une façon de le faire est, hé, ce sont des graphlets. Je pourrais revenir en arrière, survoler un autre endroit, remonter ce graphique, cliquer dessus pour zoomer, |
| |
répéter au besoin. Vous pouvez le faire ou utiliser cette nouvelle astuce que j'ai trouvée lors de la préparation de cette présentation. |
| |
Révélons ... remarquez ici sur le côté, nous avons un filtre de données local. C'est vraiment la clé de ces graphlets. |
| |
Je vais venir ici à l'année et je vais changer son type de modélisation en nominal, plutôt qu'en continu, car maintenant, je peux faire quelque chose comme ça. Je peux réellement passer par |
| |
et sélectionnez des années individuelles ou, maintenant c'est JMP, nous pouvons faire mieux. |
| |
Laisse-moi aller ici et je vais faire une animation. Je vais faire un peu vite ici. Je vais cliquer sur play, et maintenant je peux simplement m'asseoir, me détendre et, vous savez, regarder JMP faire les choses pour moi. |
| |
Donc, ici, nous pouvons le voir faire un cycle et avoir une idée de ce qui se passe. Je vais le laisser parcourir un peu. Nous voyons ... déjà commencer à voir des choses intéressantes qui se passent ici. |
| |
Laissons le cycle traverser, obtenons une image complète, vous savez. Nous voulons une image complète, pas que je me montre ou quoi que ce soit. |
| |
Très bien, alors nous avons parcouru et nous avons remarqué quelque chose. Allons donc ici à environ 2004, 2005. Donc, quelque part par ici, nous avons remarqué que ce comté, en particulier, semble être mis en évidence. |
| |
Et en fait, vous avez vu mon petit indicateur graphlet. Donc encore une fois, je peux survoler et ici |
| |
encore une autre carte. Maintenant, vous pouvez voir pourquoi je suis si excité. |
| |
Encore une fois, dans ce cas, je peux vous montrer au niveau du comté, donc au niveau du comté individuel ... |
| |
Excusez-moi, laissez-moi ... passons un peu plus loin. Nous y sommes. Quelques ajustements mineurs et encore une fois, vous pouvez voir mon astuce pour souligner les choses de deux manières à la fois par la taille et la couleur. |
| |
Nous pouvons en quelque sorte voir la dispersion dans le ???, ce sont des emplacements individuels et parce qu'il y a encore cet aspect temporel, |
| |
nous savons ... maintenant nous savons mieux, nous n'avons pas besoin de revenir en arrière et de cliquer et d'obtenir plusieurs graphiques, nous pouvons à nouveau utiliser les astuces de filtrage de données locales. Alors je peux revenir en arrière. je ferai |
| |
l'année, et donc dans ce cas, nous pouvons à nouveau cliquer. Ici, je vais simplement utiliser les touches fléchées de mon clavier pour parcourir en quelque sorte. |
| |
Et juste avoir une idée de la façon dont les choses varient avec le temps. Dans ce cas, vous voyez une zone particulière, vous l'avez probablement déjà vue, à partir de 2006, 2007. |
| |
Il y a ce domaine ... celui-ci ici. |
| |
Keansburg, qui semble être mis en évidence et vous remarquerez encore un autre graphlet. Jusqu'où voulez-vous aller? |
| |
Graphception, si vous voulez. |
| |
Nous pouvons |
| |
continuez à descendre de plus en plus loin. Dans ce cas, j'obtiens ... Je le décompose par ce qu'était le biais, et encore une fois, je pourrais faire ce truc si je le voulais, passer à travers et faire un cycle d'année en année. |
| |
Donc, encore une fois tant de puissance dans ces graphiques. Avec ce seul graphlet, j'ai pu explorer la variation géographique au niveau du comté et même plus bas, et il se peut donc que ce soit |
| |
vous permettant d'explorer en quelque sorte différents aspects des données, vous permettant de générer plus de questions. Que se passait-il à Keansburg à cette époque pour le faire éclater comme ça? |
| |
C'est quelque chose que vous voudrez peut-être savoir. |
| |
C'est donc tout ce que j'ai pour vous aujourd'hui, j'espère que je vous ai mis en appétit et que j'ai été en mesure d'illustrer clairement pour vous à quel point la visualisation JMP est puissante dans l'exploration des données. |
| |
Si vous voulez en savoir plus, il y aura une conférence plénière sur les données à savoir. Je vous encourage vivement à explorer cela et cela aide en quelque sorte à aborder différentes manières de visualisation et comment JMP peut vous aider. |
| |
Mais je vous ai promis, à un moment donné, de vous donner un aperçu de la façon dont j'ai pu créer ces scripts de table assez étonnants et je le ferai tout de suite. |
| |
Il s'appelle maintenant le journal amélioré dans JMP 16. C'est l'une des nouvelles fonctionnalités les plus intéressantes de JMP 16. Le journal amélioré suit en fait lorsque vous interagissez et il en assure le suivi. Et donc chaque fois que je fermais, dans ce cas, fermais une table de données, ouvrais une table de données, exécutais une table de données, |
| |
si j'ai ajouté une nouvelle colonne, si j'ai créé un nouveau graphique, il est enregistré ici dans le journal. |
| |
C'est quelque chose dont John Sall parlera dans son discours en plénière. C'est, encore une fois, l'une des nouvelles fonctionnalités les plus étonnantes ici. |
| |
Et c'est la clé de la façon dont j'ai pu créer ces scripts de tables. Je peux honnêtement dire que si cela n'avait pas été présent, je n'aurais probablement pas été en mesure de créer ces scripts de table assez sympas, car ce serait beaucoup de travail à faire. |
| |
Encore une fois, c'est une fonctionnalité vraiment cool qui est disponible dans JMP 16. J'espère donc avoir été en mesure de vous convaincre que JMP est un excellent outil pour explorer les données, pour créer de superbes visualisations, des visualisations interactives. Et c'est tout ce que j'ai. Merci d'être venu. |
