En el proceso de análisis de datos diario, a menudo solo necesitamos una parte de todo el conjunto de datos, como enfocarnos solo en una parte de las observaciones / filas (hombres o mujeres, pacientes de cierta edad o pacientes con una determinada enfermedad) o una parte de variables / columnas, etc. Estos se pueden llamar subconjuntos de conjuntos de datos, y el proceso de dividir los datos originales es también el proceso de generar subconjuntos.
Entonces, ¿cómo elegir el valor de observación que cumpla las condiciones? ¿Cómo dividir los datos en varios subconjuntos con un solo clic? ¿Cuáles son los métodos de muestreo aleatorio simples y rápidos en JMP? Hoy, llevaré a todos a aprender una parte importante de la limpieza de datos.
Generar subconjuntos en JMP
Figura 1 La página de operación principal para generar un subconjunto
Entonces, ¿cómo se divide?
¿Cuál es el significado de cada opción en este cuadro de diálogo?
¿Cómo hacer un buen uso de estas opciones? Empecemos por lo más simple.
01 Si solo se necesitan algunas variables (columnas)
Por ejemplo, en el conjunto de datos que se muestra en la figura siguiente, solo se necesitan dos variables, Y y edad (por supuesto, este no es el caso. En general, a menos que haya demasiadas variables, no es necesario seleccionar algunas variables por separado) Seleccione la columna que desee en la tabla, recuerde mantener presionada la tecla Ctrl cuando haya varias columnas y luego abra el cuadro de diálogo del subconjunto, como se muestra en la Figura 2.
Figura 2 Genere un nuevo subconjunto de algunas columnas
Esto da como resultado un nuevo conjunto de datos que consta de todas las observaciones (filas) y las variables seleccionadas (columnas).
Sin embargo, más a menudo, nos gustaría elegir observaciones (filas) que cumplan con condiciones específicas y no requieran variables, o seleccionar algunas observaciones y algunas variables, entonces las siguientes operaciones para dividir filas pueden ser útiles NS.
02 Si solo se necesita una parte de las observaciones (filas)
(1) Seleccione las filas que cumplen las condiciones
Este título no es solo nuestro propósito, sino también nuestra operación para lograrlo. Por ejemplo, si queremos seleccionar observaciones en el conjunto de datos que tienen más de 40 años, podemos pasar por [fila] → [selección de fila] → [seleccionar filas elegibles], luego editar las condiciones de observación del filtro, hacer clic en Aceptar, y se seleccionarán las observaciones que cumplan con las condiciones en los datos.
En este ejemplo, se seleccionan 320 filas de observaciones. Si desea generar estas observaciones como un nuevo subconjunto, solo necesita hacer clic en [Tabla] → [Subconjunto], no se requiere ningún cambio (por supuesto, si lo ha seleccionado antes Para algunas variables, debe seleccionar [Columnas seleccionadas] en lugar de [Todas las columnas]) y hacer clic en Aceptar para generar un nuevo conjunto de datos para las observaciones seleccionadas, como se muestra en la Figura 3.
Figura 3 Seleccione filas elegibles
Consejos : Seleccione observaciones que cumplan con varias condiciones
En muchos casos, las observaciones que debemos seleccionar deben cumplir ≥2 reglas. Por ejemplo, debemos seleccionar mujeres mayores de 40 años. El mismo proceso es un poco más complicado cuando se editan las reglas, como se muestra en la Figura 4. Cuando la relación entre las condiciones es "y (y)", seleccione [si se cumplen todas las condiciones], y cuando sea "o (o)", seleccione [si se cumplen las condiciones].
Figura 4 Selección de observaciones que cumplen con múltiples condiciones
(2) Ocultar las filas que no desea analizar
El método anterior introdujo cómo generar un nuevo conjunto de datos a partir de las observaciones deseadas para que podamos analizarlo. A continuación se explica cómo obtener las filas que queremos desde otro ángulo, que consiste en ocultar las filas no deseadas.
Al igual que el método de selección de filas descrito anteriormente, puede seleccionar las filas que desea analizar de [Seleccionar filas que cumplan con las condiciones], y luego invertir la selección para realizar la operación [Ocultar y excluir], como se muestra en la Figura 5 (la selección se ha completado en la figura) Filas elegibles).
Consejos: Se recomienda que seleccione directamente [Ocultar y excluir], porque las observaciones que solo están [ocultas] también entrarán en el análisis estadístico posterior, pero no aparecerán cuando se dibuje el gráfico, sino las observaciones que solo [se excluyen] no entrará en el seguimiento en el análisis estadístico, pero aparecerá al dibujar. En general, para estas observaciones que no cumplen con los criterios del filtro, no queremos que aparezcan en el gráfico ni queremos que participen en el análisis estadístico posterior, por lo que simplemente seleccione [Ocultar y excluir] directamente.
Figura 5 Ocultar y excluir filas que no desea analizar
Otro método consiste en revertir directamente los criterios de selección, filtrar directamente las filas que no desean incluirse en el análisis y luego hacer clic en [Ocultar y excluir]. Haga clic en [Ocultar y excluir] nuevamente para cancelar.
(3) Dividir en varios subconjuntos con un clic
Si por necesidades de análisis, queremos dividir los datos en múltiples conjuntos de datos basados en los diferentes valores de una variable, por ejemplo, dividirlos en dos conjuntos de datos, masculino y femenino, o dividirlos en alto según Y (tipo ordenado) en los datos de muestra, medio y bajo de tres conjuntos de datos, ¿qué tan simple es esta operación en JMP?
Tomemos este último como ejemplo, vea la Figura 6. Seleccione la base del conjunto de datos que desea dividir en la lista de nombre de variable que aparece después de marcar [Base de subconjunto]. En este ejemplo, basado en Y (tipo ordenado), JMP divide automáticamente el conjunto de datos en tres subconjuntos. son Y (tipo ordenado) = bajo, Y (tipo ordenado) = medio e Y (tipo ordenado) = alto tres subconjuntos.
Figura 6 Subconjuntos divididos según valores variables
Basado en la variable, JMP generará un nuevo subconjunto de cada valor en la variable por separado. Por ejemplo, si accidentalmente utiliza una variable de edad continua como base para la división, la pantalla mostrará cientos de subconjuntos y las observaciones de cada subconjunto tienen la misma edad.
Como caso especial de dividir el conjunto de datos, el muestreo aleatorio puede considerarse en realidad como la división del conjunto de datos, lo que equivale a dividir las observaciones seleccionadas al azar para formar una muestra seleccionada al azar.
Hay muchas formas de realizar un muestreo aleatorio en JMP. Aquí está el método de muestreo aleatorio más simple. Introduciremos métodos de muestreo aleatorio más detallados en un artículo posterior.
Este método todavía se encuentra en el cuadro de diálogo de [Tabla] → [Subconjunto], como se muestra en la Figura 7. La parte en el cuadro rojo es la opción clave para la operación de muestreo aleatorio Elija uno de los dos métodos.
Figura 7 Muestreo aleatorio
Como se muestra en la Figura 7, después de hacer clic en "Aceptar", verá que aparece un nuevo conjunto de datos, que son los datos de muestra seleccionados al azar que desea. Este es probablemente el método de muestreo aleatorio más simple de la historia. Con esta herramienta, ¿de qué problemas de muestreo debería preocuparme?
Por supuesto, este tipo de muestreo aleatorio es simplemente un muestreo aleatorio. En la práctica, existen muchos métodos de muestreo aleatorio, como el muestreo aleatorio estratificado. Esto también es muy fácil de implementar en JMP. Lo presentaremos en el artículo sobre muestreo aleatorio más tarde. ¡Manténganse al tanto!
