日々のデータ分析のプロセスでは、一部の観察/行 (男性または女性、特定の年齢の患者、または特定の病気の患者) のみに焦点を当てるなど、データセット全体の一部のみが必要になることがよくあります。変数や列などの一部をデータセットのサブセットと呼ぶことができ、元のデータを分割するプロセスはサブセットを生成するプロセスでもあります。
では、条件を満たす観測値を選択するにはどうすればよいでしょうか?ワンクリックでデータを複数のサブセットに分割するにはどうすればよいですか? JMP のシンプルで高速なランダム サンプリング方法は何ですか?今日は、データ クリーニングの重要な部分を学習します。
図 1 サブセットを生成するためのメイン操作ページ
では、具体的にはどのように分割すればよいのでしょうか？
このダイアログ ボックスの各オプションは何を意味しますか?
これらのオプションをどのように活用すればよいでしょうか?最も単純なものから始めましょう。
たとえば、以下のデータセットでは、Y と年齢の 2 つの変数のみが必要です (もちろん、実際の状況はこのようにはなりません。通常の状況では、変数が多すぎない限り、いくつかを分離する必要はありません)必要なのは、テーブル上で必要な列を選択することだけです。複数の列がある場合は、必ず Ctrl キーを押したままにして、図 2 に示すようにサブセット ダイアログ ボックスを開きます。
これにより、すべての観測値 (行) と選択された変数 (列) で構成される新しいデータ セットが作成されます。
ただし、多くの場合、変数の要件を持たずに特定の条件を満たす観測値 (行) を選択するか、いくつかの観測値といくつかの変数を選択する必要がある場合、次の行の分割操作が便利です。
このタイトルは私たちの目的であり、それを達成するための行動でもあります。たとえば、データセット内で年齢が 40 歳を超える観測値を選択したい場合は、[行] → [行選択] → [条件を満たす行を選択] を使用して、観測値をフィルタリングするための条件を編集し、[OK] をクリックします。 、データ内の条件を満たす観測値が選択されます。
この例では、320 行の観測値が選択されています。これらの観測値を新しいサブセットに生成したい場合は、何も変更せずに [テーブル] → [サブセット] をクリックするだけです (もちろん、事前に変数を選択していれば、図 3 に示すように、[すべての列] の代わりに [選択された列] を選択する必要があります)。[OK] をクリックして、選択した観測値から新しいデータ セットを生成します。
チップ: 複数の条件を満たす観測値を選択します
多くの場合、2 つ以上のルールを満たす観測値を選択する必要があります。たとえば、40 歳以上の女性を選択したいと考えています。ルールを編集する場合、同じプロセスが少しだけ複雑になります (図 4 を参照)。条件間の関係が「and」の場合は「すべての条件が満たされる場合」を選択し、「or（または）」の場合は「いずれかの条件が満たされる場合」を選択します。
図 4 複数の条件を満たす観測値の選択
前の方法では、分析できるように、必要な観察から新しいデータセットを生成する方法を説明しました。ここでは、別の角度から必要な行を取得する方法、つまり、不要な行を非表示にする方法を示します。
上記の行の選択方法と同様に、図5のように[条件に合う行の選択]から分析したい行を選択し、選択を反転して[非表示と除外]操作を行うことができます。 (図の条件行で選択が完了しています)。
チップ： [非表示] にした観測値のみが後続の統計分析にも入力されますが、グラフ作成時には表示されず、[除外] だけした観測値は表示されないため、[非表示と除外] を直接選択することをお勧めします。後続の統計分析を入力します。統計分析では、プロット時に表示されます。一般的に、フィルタリング条件を満たさないこれらの観測値については、グラフに表示したくないし、その後の統計分析にも参加させたくないので、[非表示と除外] を選択するだけです。
選択条件を直接逆編集し、分析に含めたくない行を直接除外して[非表示と除外]をクリックする方法もあります。解除する場合は、再度[非表示と除外]をクリックしてください。
分析ニーズがある場合、男性と女性のデータセットに分割したり、Y（順序型）に従って高に分割したりするなど、特定の変数の異なる値に基づいてデータを複数のデータセットに分割したい例のデータ、中位および低位の 3 つのデータセットですが、JMP でのこの操作はどれほど簡単ですか?
後者を例として取り上げます (図 6 を参照)。 [サブセット基準を取得する]にチェックを入れた後に表示される変数名のリストで、データセットを分割する基準を選択します。この例ではY(順序型)を基準として使用します。JMPは自動的にデータセットを分割します。サブセットは、Y (順序付きタイプ) = 低、Y (順序付きタイプ) = 中、Y (順序付きタイプ) = 高の 3 つがあります。
変数に基づいて、JMP は変数内の値ごとに新しいサブセットを生成します。たとえば、誤って連続年齢変数を分割の基準として使用した場合、何百ものサブセットが画面上にポップアップ表示され、各サブセット内の観測値が同じ年齢になるため、注意してください。
データ セットを分割する特殊なケースとして、ランダム サンプリングは実際にはデータ セットの分割とみなすことができます。これは、ランダムに選択された観測値を分割して、ランダムに選択されたサンプルを形成することと同じです。
JMP でランダム サンプリングを実行するにはさまざまな方法がありますが、ここでは最も単純なランダム サンプリング方法を紹介し、より具体的なランダム サンプリング方法については次の記事で紹介します。
この方法は、図 7 に示すように [テーブル] → [サブセット] ダイアログ ボックスに引き続き表示されます。赤枠の部分は、ランダム サンプリング操作の重要なオプションであり、2 つの方法のいずれかを選択します。
図 7 ランダムサンプリング
図 7 に示すように、[OK] をクリックすると、ランダムに選択された必要なサンプル データである新しいデータ セットが表示されます。これはおそらく史上最も単純なランダム サンプリング手法です。このツールを使用すると、サンプリングに関するどのような問題を心配する必要がありますか?
もちろん、この種のランダム サンプリングは単なる単純なランダム サンプリングです。実際には、層化ランダム サンプリングなど、さまざまなランダム サンプリング手法が存在します。これも、JMP で非常に簡単に実装できます。次の記事で紹介します。ランダムサンプリングについて。乞うご期待！
