Altoparlante
|
Trascrizione
|
| Caleb King |
Ciao, mi chiamo Caleb King, sono uno sviluppatore presso il software JMP. Sono specificamente nel gruppo di progettazione di esperimenti, ma oggi lo sarò |
| |
un po 'fuori tema e parla di come puoi usare la grafica e alcuni degli altri strumenti in JMP per aiutare con una sorta di narrazione visiva dei tuoi dati. |
| |
Ora il set di dati che ho scelto è un ... per illustrare che sono i dati sui crimini d'odio raccolti dall'FBI, quindi forse un set di dati un po 'controverso ma anche piuttosto pertinente a ciò che sta accadendo. |
| |
E il mio obiettivo è renderlo più illustrativo, quindi esaminerò un paio di grafici che ho creato in precedenza |
| |
per questo set di dati. E non ti mostrerò necessariamente come ho creato i grafici, ma lo scopo è di illustrarti come puoi usare JMP |
| |
perché, come ho detto, la narrazione visiva, quindi usa l'interattività per guidare le persone a guardare i grafici e ad interagire con essi |
| |
per fare forse più domande, forse risponderai ad alcune delle loro domande, mentre procedi. Ma incoraggiare tale esplorazione dei dati, che è ciò di cui ci occupiamo qui in JMP. |
| |
Quindi, detto questo, entriamo subito. |
| |
Per prima cosa ti fornirò un po 'di panoramica del set di dati stesso, quindi scorrerò qui. Quindi ci sono molte informazioni su |
| |
dove si sono verificati gli incidenti. |
| |
Mentre andiamo avanti, e la data, beh, in cui si è verificato l'incidente. Hai un po 'di informazioni sugli autori di reato |
| |
e quale reato, tipo di reato è stato commesso. Ancora una volta alcune informazioni di base, che tipo di pregiudizio è stato presentato nell'incidente. Alcune informazioni sulle vittime. |
| |
E la categoria di discriminazione generale, e poi alcune informazioni aggiuntive che ho fornito su latitudine e longitudine, se disponibili, oltre a una parte della popolazione che userò con altri grafici. Ora solo per il bene di, sai, per essere chiari, |
| |
l'FBI, che è il Federal Bureau of Investigation degli Stati Uniti, definisce un crimine d'odio qualsiasi |
| |
reato che si verifica motivato da pregiudizi nei confronti di un determinato gruppo. Quindi quel pregiudizio potrebbe essere razziale, contro la religione, il genere, l'identità di genere e così via. |
| |
Quindi, finché un crimine è motivato da un particolare pregiudizio, è considerato un crimine d'odio e questi dati sono costituiti da tutti gli incidenti che sono stati |
| |
raccolti dall'FBI, risalenti all'anno 1991 e recenti fino al 2019. Non ho dati del 2020, per quanto interessanti sarebbero certamente, |
| |
ma questo perché all'FBI piace prendersi il suo tempo e assicurarsi che i dati siano accuratamente puliti e preparati prima di creare effettivamente i loro rapporti. Così |
| |
puoi essere certo che questi dati sono abbastanza accurati, dato il tempo e gli sforzi che hanno impiegato per assicurarsi che lo siano. |
| |
Va bene, quindi con questo iniziamo e facciamo un riepilogo visivo di base dei dati. Quindi inizierò eseguendo questo piccolo script di tabella qui. E tutto ciò che fa è fondamentalmente darci |
| |
un conteggio nel corso dei giorni, quindi ogni giorno, quanti incidenti si sono verificati, secondo un particolare pregiudizio. Da questo creerò una trama di base, in questo caso è una semplice sorta di trama a linee |
| |
qui, che mostra il numero di incidenti che si verificano ogni giorno nell'intero intervallo. Quindi ottieni l'intero ... puoi vedere l'intera gamma di dati dal 1991 al 2019 |
| |
e quanti incidenti si sono verificati. Ora questo in sé e per sé sarebbe probabilmente una buona immagine statica, perché ne hai una sorta di senso |
| |
dove il numero di incidenti diminuisce. In effetti qui cambierò un po 'le impostazioni degli assi qui. Vediamo, abbiamo incrementi di 50, facciamolo per 20. Ci siamo. |
| |
Quindi c'è un po 'di interattività per te ... interazione. Abbiamo cambiato le scale per perfezionarlo e farci un'idea migliore |
| |
quanti incidenti, in media, ci sono. Ho eseguito un po 'di distribuzione e, in media, circa 20 incidenti al giorno |
| |
che vediamo qui. Ora, naturalmente, probabilmente ti starai chiedendo perché non ho ancora affrontato i due picchi che vediamo nei dati. |
| |
Quindi sì, ci sono chiaramente due punte molto alte. E quindi, se questo fosse |
| |
qualsiasi altro tipo di software, potresti dire, ok, mi piacerebbe esaminarlo. Quindi torni ai dati che provi e, tu |
| |
sapere, isolare dove sono quelle date e magari provare a presentare alcune trame o fare qualche analisi per mostrare cosa sta succedendo lì. Bene, questo è JMP e abbiamo qualcosa che può farlo |
| |
aiutare in questo, ed è qualcosa che abbiamo introdotto in JMP 15 chiamato graphlet e funziona in questo modo. Ho solo intenzione di librarmi e boom. |
| |
È apparso un piccolo graflet per riassumere ulteriormente cosa sta succedendo a quel punto. Quindi in questo caso ci sono molte informazioni. |
| |
Noteremo prima la data, 1 maggio 1992. Quindi, se hai familiarità con la storia americana, potresti sapere cosa sta succedendo qui, ma in caso contrario, |
| |
puoi ottenere un piccolo indizio aggiuntivo facendo clic sul grafico. Quindi ora vedrai che te lo sto mostrando |
| |
gli incidenti dal particolare pregiudizio dell'incidente. Quindi vediamo qui che la maggior parte degli incidenti sono stati contro individui bianchi e quindi il gruppo successivo è nero o afroamericano e continua a scendere. |
| |
In qualche modo do la risposta qui, in quanto gli incidenti che si sono verificati in questo periodo in cui le rivolte di Rodney King in California. Rodney King, |
| |
un individuo afro-americano che è stato purtroppo ucciso da un agente di polizia e che ha portato a molte reazioni e rivolte |
| |
in questo periodo. Quindi questo è ciò che stiamo vedendo catturato in questo particolare punto dati, e se non lo sapessi, avresti almeno questa informazione per provare a iniziare e andare a cercare lì ... cercando online per capire cosa è successo. |
| |
Possiamo fare la stessa cosa qui con un picco molto grande. E ancora, userò il graphlet al passaggio del mouse, quindi passaci sopra. Mi fermo per farti guardare. Quindi guardiamo la data, 12 settembre 2001. Questo è di per sé un indizio molto grande |
| |
quanto a quello che è successo. Ma se guardiamo qui al crollo, possiamo vedere che la maggior parte degli incidenti erano contro individui di fede musulmana, di |
| |
Etnia araba o qualche altro tipo di etnia o discendenza simile. In questo caso, possiamo vedere chiaramente |
| |
che, dopo gli sfortunati eventi dell'11 settembre, gli attacchi terroristici che si sono verificati allora, il giorno successivo ci sono state molte reazioni contro |
| |
membri che erano di etnia simile, fede simile e così via, quindi abbiamo avuto uno sfortunato contraccolpo in quel momento. |
| |
Quindi già con questa trama e un po 'di quell'interattività, siamo stati in grado di raccogliere molte informazioni, molte informazioni di alto livello in aree in cui potresti voler guardare oltre. |
| |
Ma possiamo andare avanti. Ora qualcosa di nuovo in JMP 16 è che, poiché abbiamo la data qui sull'asse X, possiamo effettivamente raggruppare le date in una categoria più ampia, quindi in questo caso bin per mese. |
| |
E vediamo che la trama scompare. Quindi ecco cosa farò. Lo rieseguirò e vediamo. |
| |
Ci siamo. |
| |
Non sai mai cosa succederà. In questo caso, quindi questo è ciò che dovrebbe accadere; non preoccuparti. |
| |
Quindi l'abbiamo cestinato per mese e abbiamo notato uno schema interessante qui. Sembra che si stia verificando una sorta di tendenza stagionale e usiamo i graflet al passaggio del mouse per aiutarci a identificare cosa potrebbe accadere. Quindi passerò il mouse sui punti inferiori. Quindi se lo faccio, |
| |
vediamo bene, gennaio, dicembre, ok. Interessante. Passiamo il mouse su un altro, dicembre. |
| |
E ancora un altro, dicembre. Ah, in questo caso potrebbe esserci una tendenza stagionale effettiva. Sembriamo raggiungere punti bassi durante i mesi invernali. |
| |
E infatti, se torno alla mia tabella dati, l'ho già visto prima. È stato qualcosa che ho scoperto esplorando quella tecnica e ho già creato una trama per affrontarlo. |
| |
Quindi questo è stato qualcosa che ho creato sulla base di quello, tipo, guarda, sai, qual è la variazione nel numero di incidenti nel corso degli anni in questo mese. |
| |
E qui possiamo vedere le tendenze medie, ma vediamo anche molte variazioni, specialmente qui a settembre a causa di quell'enorme picco lì. |
| |
Quindi forse abbiamo bisogno di qualcosa di un po 'più appropriato. Quindi aprirò il pannello di controllo e, ehi, scegliamo la mediana. È più robusto e forse guarda l'intervallo interquartile, quindi in questo modo abbiamo un po 'più robusto |
| |
metriche con cui giocare. |
| |
E così, ancora una volta, vediamo le tendenze stagionali, quindi sembra che ci sia sicuramente un grande calo nei mesi invernali |
| |
al contrario del picco nei mesi primaverili ed estivi. Adesso |
| |
questo potrebbe essere qualcosa che qualcuno potrebbe voler approfondire e ricercare perché sta succedendo. |
| |
Potresti avere le tue spiegazioni. La mia spiegazione personale è che credo che lo spirito natalizio sia così potente da superare qualsiasi odio o pregiudizio che gli individui potrebbero avere a dicembre. |
| |
Di nuovo questa è solo la mia preferenza personale, probabilmente hai la tua. Ma ancora una volta, con una sola trama, sono stato in grado di scoprire questa tendenza e |
| |
creare un'altra trama per esplorarla ulteriormente. Quindi, di nuovo con questa trama, ho incoraggiato ulteriori ricerche. E possiamo andare avanti. |
| |
Quindi vediamo, raccogliamo per anno e, se lo facciamo, possiamo vedere chiaramente questo tipo di tendenza generale. |
| |
Quindi vediamo una sorta di picco alla fine degli anni '90 intorno ai primi anni 2000 prima di cadere, sai, una moda quasi lineare, |
| |
fino a raggiungere il suo punto medio verso la metà degli anni 2010 prima di ricominciare a salire. Quindi tienilo a mente, potresti vedere tendenze simili in altri grafici che mostriamo. Ma ancora una volta, facciamo un passo indietro e rendiamoci conto che in questa trama abbiamo visto cose diverse |
| |
aspetti dei dati. Anche noi |
| |
ha risposto ad alcune domande, ma forse ne abbiamo anche sollevate altre. Cosa c'è con quella tendenza stagionale? |
| |
E se non sapevi quali erano quegli eventi che ti ho raccontato, sai, quali erano quegli eventi particolari? Quindi questo è il bello dell'interattività della grafica JMP è che consente all'utente di interagire ed esplorare e incoraggia tutto all'interno di un unico mezzo particolare. |
| |
Tutto ok. |
| |
Andiamo avanti. Quindi ho detto che questa è una sorta di narrazione visiva, quindi puoi pensarla come un prologo, come una sorta di visione d'insieme. Cosa ... cosa |
| |
qual è la situazione generale? Ora diamo un'occhiata al tipo di attori, |
| |
cioè, chi sta commettendo questi tipi di reati? Contro chi li stanno commettendo? Quali informazioni possiamo trovare a riguardo? Quindi eccomi qui |
| |
ha creato, ancora una volta, un complotto per aiutare a rispondere a questo. Questo potrebbe essere un buon inizio. Qui ho creato una mappa di calore |
| |
che poi enfatizza i conteggi in base, in questo caso, alla razza dell'autore del reato rispetto al loro particolare pregiudizio. Quindi lo vediamo |
| |
molto di quello che sta succedendo, in questo caso ho ordinato le colonne così possiamo vedere che c'è molto da fare. La maggior parte è qui in questa tomaia |
| |
all'angolo sinistro e non c'è molto da fare quaggiù, il che credo sia una buona notizia. Ci sono molti pregiudizi in cui non accade molto, la maggior parte sta accadendo qui in questo angolo. |
| |
Ora, questa potrebbe essere una buona trama, ma ancora una volta c'è molto spazio aperto qui. Quindi forse possiamo giocare con le cose per cercare di enfatizzare quello che sta succedendo. Quindi un modo in cui posso farlo è che verrò qui sull'asse X e ridimensionerò in base al conteggio. |
| |
Ora vedrai qui, avevo qualcosa nascosto dietro le quinte. In realtà metterei un'etichetta, un'etichetta percentuale sopra a queste. |
| |
C'erano così tante cose prima che non potevi nemmeno vederle, ma ora possiamo effettivamente vedere alcune di quelle informazioni. Quindi è un modo carino per riassumerlo in contrasto con i conteggi. |
| |
Ma anche solo con la visualizzazione, possiamo vedere chiaramente che la maggior quantità di pregiudizi è contro i cittadini neri o afroamericani e poi ebrei e così via fino a quando non ce n'è quasi nessuno quaggiù. Quindi, solo guardando l'asse X, si ottengono molte informazioni su cosa sta succedendo. |
| |
Possiamo fare lo stesso con la Y, quindi di nuovo, taglia in base al conteggio. |
| |
E ancora, ci sono molte informazioni contenute solo all'interno delle dimensioni e di come ho regolato gli assi. |
| |
E in questo caso includiamo ... abbiamo davvero enfatizzato quell'angolo, quindi possiamo vedere chiaramente chi sono i migliori giocatori. In questo caso, la maggior parte lo è |
| |
i criminali sono di razza bianca o sconosciuta contro gli afroamericani, il prossimo contro gli ebrei, e poi |
| |
anti bianco e poi continua a cadere. Quindi otteniamo qui un piccolo riassunto di quello che sta succedendo. Ora, potresti aver notato che mentre mi aggiro, vediamo il nostro piccolo cerchio. Questo è il mio indicatore di graflet, quindi di nuovo ho uno strumento qui. |
| |
Abbiamo interagito un po 'e ancora, questa potrebbe essere un'ottima immagine statica, ma usiamo la potenza di JMP, in particolare quei graphslet, |
| |
per interagire e vedere quali ulteriori informazioni possiamo ricavare. Quindi, in questo caso, passerò il mouse qui. |
| |
E proprio qui, un grafico, in questo caso, un grafico a barre pieno, per gentile concessione del nostro guru dei grafici Xan Gregg. In questo caso, non solo puoi vedere, sai, |
| |
quali persone stanno commettendo i reati e contro chi, la tua prossima domanda potrebbe essere stata, sai, quali tipi di reati vengono commessi? Bene, con un graphlet, ti ho risposto. |
| |
Possiamo vedere qui il più grande ... il tipo opprimente di reato è l'intimidazione, seguita da aggressione semplice e aggravata, e poi il resto di questi, questa è la bellezza del grafico a barre imballato. |
| |
Possiamo vedere tutti gli altri tipi di reati che vengono commessi. Se li impili tutti uno sopra l'altro, non si confrontano nemmeno. Non superano nemmeno i primi tre. |
| |
Quindi questo ti dice molto sui tipi di ... questi tipi di reati, su quanto sono dominanti. |
| |
Ora, un'altra domanda che potresti avere è, ok, abbiamo visto gli attori, abbiamo visto le azioni che stanno intraprendendo, |
| |
ma c'è un aspetto temporale in questo. Ovviamente questo sta accadendo nel tempo, quindi è stata una cosa coerente? C'è stato un cambiamento nelle tendenze? Bene, |
| |
non avere paura. Di nuovo Graphlets in soccorso. In questo caso, posso effettivamente mostrarti quelle tendenze. Quindi qui possiamo vedere come ha il file |
| |
tipi di ... il numero di episodi di intimidazione è cambiato nel tempo? E ancora, vediamo che il modello sembra seguire quella che era quella tendenza generale. |
| |
Un picco simile, alla fine degli anni '90, e poi la tendenza ripida ... calo quasi lineare fino a circa la metà degli anni 2010, prima di riprendersi più recentemente. |
| |
E ancora una volta possiamo forse vedere quella tendenza e altre. Non cliccherò per ingrandire, ma puoi solo vedere dalla trama qui, quelle tendenze in semplice aggressione qui e anche nell'aggravamento aggravato, un po 'lì. |
| |
E puoi continuare a esplorare. Quindi diamo un'occhiata all'ignoto contro gli afroamericani e vediamo quale differenza potrebbe esserci. In questo caso, possiamo vedere chiaramente |
| |
che ci sono due tipi di reati che dominano davvero, in questo caso, la distruzione o il danneggiamento della proprietà (che, se ci pensi, potrebbe avere senso; se vedi che la tua proprietà è stata danneggiata, ci sono buone probabilità che tu non sappia chi fatto) |
| |
e le intimidazioni sono quelle dominanti. E ancora, puoi ... la cosa bella di questo è che le etichette al passaggio del mouse persistono, quindi puoi di nuovo guardare e vedere quali tendenze stanno accadendo lì. |
| |
Quindi in questo caso, vediamo con i danni, in realtà ci sono due picchi, che hanno raggiunto il picco qui alla fine degli anni '90, all'inizio degli anni 2000, prima di scendere di nuovo. E con l'intimidazione, vediamo una tendenza simile a quella che abbiamo visto prima. |
| |
Anche in questo caso all'interno di un solo grafico, ci sono molte informazioni contenute e con le quali tu, come utente, puoi interagire per cercare di enfatizzare alcune aree chiave, e poi tu, come utente, visualizzi ... solo guardandole e interagendo con esso, può giocare e raccogliere molte informazioni. |
| |
Tutto ok. |
| |
E andiamo avanti. Ora noterai che tra le agenzie di segnalazione, quindi, la maggior parte di loro sono a livello di città / contea |
| |
dipartimenti di polizia e così via, ma qui ci sono anche alcune università. Quindi potrebbe esserci qualcuno là fuori che potrebbe essere interessato a vedere, sai, cosa sta succedendo nelle università. |
| |
E così, con questo, ho creato questo simpatico script da tavolo per rispondere a questo. Adesso questa volta |
| |
Ho appena eseguito gli script della tabella e ho detto, non andrò troppo dietro le quinte, questo è più illustrativo. |
| |
Qui ti lascio dare un'occhiata, perché non voglio solo mostrarti la potenza della grafica, ma anche la potenza dello script della tabella. Ora, se hai familiarità con JMP, |
| |
potresti sapere, ok, lo script della tabella è carino perché posso salvare le mie analisi, posso salvare i miei rapporti, posso persino usarlo per salvare la grafica come me ... come ho fatto nell'ultima, quindi potresti non averlo notato che puoi anche salvare |
| |
script per aiutare a eseguire tabelle aggiuntive e tabelle di riepilogo e così via. Quindi lascia che ti mostri cosa sta succedendo qui dietro, infatti, quando ho eseguito lo script, ho effettivamente creato due tabelle di dati. |
| |
Hai visto solo quella, quindi in questo caso ho creato prima la tabella dati che ha selezionato tutte le università e poi da quella tabella dati ho creato un riepilogo e poi chiudo quella vecchia. |
| |
E poi ho aggiunto anche un po 'di grafica. Quindi non entrerò nei dettagli qui su come l'ho impostato, perché voglio salvarlo per il prossimo. Ti do un suggerimento. Si basa su una nuova funzionalità di JMP 16 che ti stupirà davvero. |
| |
Va bene, torniamo a ... scusatemi ... incidenti universitari. |
| |
E anche qui ho salvato lo script della tabella. Questo che ci mostrerà un grafico. |
| |
Quindi qui possiamo vedere di nuovo quel grafico a barre pieno, e qui ti sto mostrando quali università hanno avuto il maggior numero di incidenti. Ora di nuovo, questo di per sé potrebbe essere una grafica standard piuttosto buona. |
| |
Puoi vedere che, sai, quale università sembra avere il maggior numero di incidenti e di nuovo è piuttosto bello vedere che non ce n'è una vera dominante. Puoi ancora mettere in valigia le altre università |
| |
sopra di loro, e nessuno sta dominando l'uno o l'altro. Quindi questa di per sé è una buona notizia, ma ancora una volta c'è un aspetto temporale in questo. Così |
| |
sono stati forse ... l'Università del Michigan Ann Arbor, hanno avuto problemi per tutto il tempo? Sono ... sarebbero sempre rimasti al top? Hanno appena avuto un brutto anno? Ancora una volta, graphlets in soccorso. |
| |
In questo caso, |
| |
vedrai una trama interessante qui. Potresti dire, sai, cos'è questa cosa? Sembra che appartenga a un museo Art Déco. Che cosa... |
| |
che tipo di trama è questa? Bene, in realtà è uno che abbiamo visto prima. Sto solo usando qualcosa di nuovo che è uscito in JMP 16, quindi ti darò uno sguardo dietro le quinte. |
| |
E in questo caso, possiamo vedere, questa è in realtà una mappa del calore. Tutto quello che ho fatto |
| |
è che faccio un trucco che spesso mi piace fare, che è enfatizzare le cose in due modi diversi, quindi non solo enfatizzare i conteggi per colore, che è quello che faresti normalmente in una mappa termica, i bianchi sono le voci mancanti, io ora può anche in JMP 16 enfatizzare in base alle dimensioni. |
| |
E quindi penso che questo torni di nuovo al punto in cui abbiamo dimensionato quegli assi prima. Sottolinea ... aiuta a enfatizzare alcune aree. Quindi ora possiamo vedere che forse c'è un piccolo problema con gli incidenti contro gli afroamericani, |
| |
è stato abbastanza coerente, con un anno particolarmente negativo nel 2017, a differenza di tutti gli altri incidenti che si sono verificati. |
| |
Ora non ci sono etichette al passaggio del mouse aggiuntive qui. |
| |
Tutto quello che farò è riassumere i dati, ma va bene. |
| |
Questo di per sé fornisce molte informazioni, quindi questa è una novità emersa in JMP 16 che può aiutare ancora una volta con quell'enfasi. |
| |
E ancora, possiamo andare avanti. Possiamo guardare altre università, quindi qui, questo potrebbe essere un esempio di un'università in cui sembra che abbiano un periodo di tempo piuttosto brutto, |
| |
l'Università del Maryland a College Park, ma poi c'era una zona dove |
| |
le cose andavano davvero bene, quindi potresti essere interessato a sapere, beh, cosa è successo per rendere questo periodo così fantastico? |
| |
C'è qualcosa che l'università ha istituito, quello che hanno fatto che sembra aver fatto diminuire in modo significativo il conteggio e il numero di incidenti? Potrebbe essere qualcosa che vale la pena esaminare. |
| |
E puoi continuare a guardare di nuovo per vedere se si tratta di un problema sistemico, se, in questo caso, sembrava che ci fosse solo un anno davvero brutto che ha dominato, nel complesso stavano andando bene. |
| |
Stavano andando abbastanza bene. Ancora una volta, questo potrebbe essere un altro. Hanno avuto un brutto periodo all'inizio, ma recentemente se la sono cavata abbastanza bene, |
| |
e così via. Quindi, ancora una volta, evidenziando ancora una volta quell'interattività, |
| |
e in questo caso, con alcune delle funzionalità più recenti di JMP 16. Ora, prima di passare all'ultimo, ho una confessione. Sono un po 'un appassionato di mappe, quindi mi piacciono molto le mappe e qualsiasi tipo di analisi dei dati che, sai, si riferisca alle mappe. |
| |
Non so perché Mi piace molto e quindi sono davvero entusiasta di mostrarvi questo prossimo, perché ora guardiamo alla geografia degli incidenti. |
| |
Ma sono anche entusiasta perché questo, credo, evidenzia davvero la potenza sia degli script delle tabelle che della grafica JMP, in particolare i grafici al passaggio del mouse. |
| |
Quindi spero che questo ti abbia entusiasmato, quindi eseguiamolo. Ora ci vorrà un po 'di tempo perché in realtà c'è molto da fare con questo script di tabella. Sta creando una nuova tabella. Sta anche facendo molte funzioni in quella tabella |
| |
e l'elaborazione di un sacco di cose. Quindi qui non abbiamo solo, sai, inserire informazioni ma ci sono anche molte di queste colonne qui verso la fine che sono state calcolate dietro le quinte. |
| |
Ora devo prendermi un breve momento per parlare di una metrica particolare che userò. Così, qualche tempo fa, ho scritto un post sul blog chiamato Crime Rate Conundrum sulla JMP Community (community.jmp.com), |
| |
così spudorato, collegalo lì, ma in questo ho parlato di come, sai, in genere quando stai segnalando incidenti, in particolare crimini, |
| |
di solito sappiamo che non vuoi solo riportare i conteggi grezzi, perché |
| |
potrebbe esserci una certa area in cui ha un numero elevato di conteggi, un numero elevato di incidenti, è solo perché questo è ... c'è un problema lì? |
| |
O è perché ci sono solo molte persone lì? E quindi, ovviamente, ci aspetteremmo molti incidenti perché ci sono solo molte persone. Quindi ovviamente le persone |
| |
segnalare i tassi di incidenti. Ora va bene perché ora tutti sono in condizioni di parità, ma un effetto collaterale è che tende a elevarsi |
| |
luoghi che hanno piccole popolazioni. Essenzialmente, se hai un denominatore piccolo, tenderai ad avere un rapporto maggiore proprio per questo. |
| |
E quindi questo è una sorta di sfortunato effetto collaterale, e quindi parlo di un caso interessante in cui abbiamo un posto con una popolazione davvero piccola che viene davvero gonfiata. |
| |
E come alcune persone lo affrontano. Un modo in cui ho cercato di affrontare questo problema è stato attraverso questo uso di un tasso di incidenti ponderato, essenzialmente, l'idea è |
| |
Prendo il tuo tasso di incidenti, ma poi ti ponderò in base a, più o meno, quale proporzione ... |
| |
scusami ... fondamentalmente un peso da quante persone hai lì. In questo caso ho un peso particolare, fondamentalmente classifica le popolazioni, |
| |
in modo che il posto più grande abbia il rango di il più piccolo. Tuttavia, in questo caso ci sono 50 stati, quindi lo stato con la popolazione più numerosa avrebbe un file |
| |
grado di 50 e lo stato più piccolo un grado di uno. Se lo prendi e lo dividi per sai il grado massimo, questo è essenzialmente il tuo peso, quindi è un modo per mettere |
| |
un peso corrispondente alla tua popolazione totale e l'idea qui è che, se il tuo tasso di incidenti è tale da superare questa penalità di peso, se lo farai, |
| |
allora questo significa che potresti essere qualcuno che vale la pena esaminare. Quindi cerca di contrastare |
| |
quell'inflazione, proprio a causa di una piccola popolazione. Se sei ancora relativamente piccolo, ma il tuo tasso di incidenti è abbastanza alto da superare essenzialmente il tuo peso, |
| |
potremmo voler esaminare te. Quindi spero che non fossero troppe informazioni, ma questa è la metrica che userò principalmente, quindi eseguirò lo script |
| |
e |
| |
eccoci qui. Quindi prima ho un grafico lineare che mostra i tassi di incidenti ponderati nel tempo per tutti gli stati. |
| |
Ora userò una nuova funzionalità qui. Possiamo vedere qui che il New Jersey sembra dominare. Anche in questo caso l'interattività, possiamo effettivamente fare clic per evidenziarla. |
| |
Ci sono alcune cose nuove che facciamo, specialmente in JMP 16. Farò clic con il pulsante destro del mouse qui e aggiungerò alcune etichette. Quindi facciamo il valore massimo e facciamo l'ultimo valore |
| |
solo per confronto. |
| |
Quindi qui possiamo vedere questo ... il picco qui è stato di circa 11,4 incidenti per 1.000 (che è un tasso di incidenti ponderato) qui in una sorta di inizio degli anni '90. |
| |
E poi vediamo una tendenza al ribasso, ancora una volta sembra scendere più o meno come tutto il tasso di incidenti complessivo prima di ricominciare a raggiungere il picco qui in |
| |
2019. Quindi di nuovo con solo alcuni brevi numeri di nuovo questo, di per sé, sarebbe una trama interessante da guardare, ma come puoi vedere, il mio piccolo indicatore grafico sta andando, quindi c'è di più. |
| |
Ecco dove entra in gioco la parte della mappa. Quindi passerò il mouse su un punto particolare. |
| |
In questo caso, non solo |
| |
Riesci a vedere una specie di tariffa complessiva, posso effettivamente suddividerla per te, in questo caso per contea. Quindi qui ho colorato il file |
| |
contee per il numero totale di incidenti in quell'anno. E ancora, c'è quell'aspetto temporale, quindi questo ti mostra un'istantanea per un anno particolare, in questo caso il 2008. |
| |
Ma forse sei interessato alla tendenza generale, quindi un modo per farlo è, ehi, questi sono graflet. Potrei tornare indietro, passare il mouse su un altro punto, visualizzare quel grafico, fare clic su di esso per ingrandire, |
| |
ripetere se necessario. Potresti farlo o potresti usare questo nuovo trucco che ho trovato durante la preparazione di questa presentazione. |
| |
Scopriamo ... avviso qui a lato, abbiamo un filtro dati locale. Questa è davvero la chiave dietro questi graphlet. |
| |
Verrò qui per l'anno e cambierò il suo tipo di modellazione in nominale, piuttosto che continuo, perché ora posso fare qualcosa del genere. Posso davvero passare |
| |
e selezionare i singoli anni oppure, ora che questo è JMP, possiamo fare di meglio. |
| |
Fammi andare qui e farò un'animazione. Lo farò un po 'veloce qui. Faccio clic su Riproduci e ora posso semplicemente rilassarmi e, sai, guardare mentre JMP fa le cose per me. |
| |
Quindi qui possiamo vederlo scorrere e avere un'idea di ciò che sta accadendo. Lo lascerò scorrere un po '. Vediamo ... già cominciando a vedere alcune cose interessanti che accadono qui. |
| |
Lasciamolo scorrere, ottieni il quadro completo, sai. Vogliamo il quadro completo, non che mi metta in mostra o altro. |
| |
Va bene, quindi siamo passati in rassegna e abbiamo notato qualcosa. Quindi andiamo qui per dire circa il 2004, 2005. Quindi da qualche parte qui intorno, abbiamo notato che questa contea qui, in particolare, sembra essere evidenziata. |
| |
E in effetti, hai visto il mio piccolo indicatore di graflet. Quindi di nuovo, posso passarci sopra, e qui |
| |
ancora un'altra mappa. Ora puoi capire perché sono così eccitato. |
| |
Ancora una volta, in questo caso, posso effettivamente mostrarti a livello di contea, quindi a livello di singola contea ... |
| |
Scusami, lasciami ... spostiamolo un po '. Ci siamo. Alcuni piccoli aggiustamenti e ancora, puoi vedere il mio trucco di enfatizzare le cose in due modi sia per dimensione che per colore. |
| |
Possiamo vedere la dispersione all'interno del ???, si tratta di singole località e poiché c'è di nuovo quell'aspetto temporale, |
| |
lo sappiamo ... ora lo sappiamo meglio, non dobbiamo tornare indietro e fare clic per ottenere più grafici, possiamo ancora utilizzare i trucchi del filtro dei dati locali. Quindi posso tornare indietro. Farò |
| |
l'anno, quindi in questo caso possiamo fare nuovamente clic. Qui userò i tasti freccia sulla mia tastiera per scorrere. |
| |
E solo per avere un'idea di come le cose cambiano nel tempo. In questo caso, vedete un'area particolare, probabilmente l'avete già vista, a partire dal 2006, frame 2007ish. |
| |
C'è quest'area ... questa qui. |
| |
Keansburg, che sembra essere evidenziato e noterai l'ennesimo graphlet. Quanto lontano vuoi arrivare? |
| |
Graphception, se vuoi. |
| |
Noi possiamo |
| |
continua ad andare sempre più in basso. In questo caso, ottengo ... lo rompo per quello che era il pregiudizio, e ancora una volta potrei fare quel trucco se volevo, per andare avanti e indietro per anno. |
| |
Quindi, ancora una volta tanta potenza in questi grafici. Con questo graflet, sono stato in grado di esplorare la variazione geografica a livello di contea e anche più in basso, e così potrebbe essere |
| |
permettendoti di esplorare diversi aspetti dei dati, permettendoti di generare più domande. Cosa stava succedendo a Keansburg in questo periodo per farlo scoppiare in questo modo? |
| |
È qualcosa che potresti voler sapere. |
| |
Quindi questo è tutto ciò che ho per te oggi, spero di aver stuzzicato il tuo appetito e di essere stato in grado di illustrarti chiaramente quanto sia potente la visualizzazione di JMP nell'esplorazione dei dati. |
| |
Se vuoi saperne di più, ci sarà una conferenza plenaria sulla visualizzazione dei dati. Ti incoraggio decisamente a esplorarlo e in qualche modo aiuta ad affrontare diversi modi di visualizzazione e come JMP può aiutare in questo. |
| |
Ma ti ho promesso, a un certo punto, di darti una sbirciatina su come sono stato in grado di creare questi script di tabella piuttosto sorprendenti e lo farò adesso. |
| |
Ora in JMP 16 si chiama registro avanzato. Questa è una delle nuove funzionalità più interessanti di JMP 16. Il registro avanzato in realtà segue mentre interagisci e ne tiene traccia. Quindi ogni volta che ho chiuso, in questo caso, ho chiuso una tabella di dati, ho aperto una tabella di dati, ho eseguito una tabella di dati, |
| |
se ho aggiunto una nuova colonna, se ho creato un nuovo grafico, viene registrato qui nel registro. |
| |
Questo è qualcosa di cui parlerà John Sall nel suo discorso plenario. È, ancora una volta, una delle funzionalità più nuove e sorprendenti qui. |
| |
E questa è la chiave per come sono stato in grado di creare questi script di tabelle. Posso onestamente dire che se questo non fosse stato presente, probabilmente non sarei stato in grado di creare questi script di tabella piuttosto interessanti, perché sarebbe molto lavoro da fare. |
| |
Quindi, ancora una volta, questa è una funzionalità davvero interessante disponibile in JMP 16. Quindi spero di essere stato in grado di convincerti che JMP è un ottimo strumento per esplorare i dati, per creare fantastiche visualizzazioni, visualizzazioni interattive. Ed è tutto quello che ho. Grazie per essere venuto. |
