Die neue Version „JMP 18“ enthält nicht die zuvor enthaltenen Beispieldaten „Boston Housing.jmp“. Obwohl diese Beispieldaten nützlich waren, um zu veranschaulichen, wie multivariate Daten visualisiert und Vorhersagemodelle erstellt werden können , wurden sie ausgeschlossen, da sie diskriminierende, unethische und unfaire Inhalte enthielten.
Referenz
JMP®-Beispieldatentabelle „Boston Housing.jmp“ entfernt – JMP-Benutzer-Community
Darüber hinaus enthielt die Python-Bibliothek „scikit-learn“ früher Beispieldaten für Boston Housing, diese sind jedoch aus demselben Grund nicht mehr enthalten. Die folgende Meldung wird beim Importieren von Boston Housing mit Python angezeigt.
--------------------------------------------------------------------------------------------------------------------------------------------------
Die scikit-learn-Betreuer raten daher dringend von der Verwendung dieses Datensatzes ab, es sei denn, der Zweck des Codes besteht darin, zu studieren und zu unterrichten
über ethische Fragen in der Datenwissenschaft und im maschinellen Lernen.
In diesem speziellen Fall können Sie den Datensatz aus dem Original holen
Quelle::
Pandas als pd importieren
importiere Numpy als np
Daten-URL = " http://lib.stat.cmu.edu/datasets/boston "
raw_df = pd.read_csv(Daten-URL, sep="\s+", Zeilen überspringen=22, Header=Keine)
Daten = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
Ziel = raw_df.values[1::2, 2]
Zu den alternativen Datensätzen gehören der kalifornische Wohnungsdatensatz und der Ames-Wohnungsdatensatz.
--------------------------------------------------------------------------------------------------------------------------------------------------
In dieser Nachricht heißt es, dass der „California Housing Dataset“ einer der alternativen Daten für Boston Housing ist. Es besteht nicht nur ein einfacher Unterschied darin, dass Daten von der Westküste der Vereinigten Staaten anstelle von Daten von der Ostküste verwendet werden, sondern auch die Datenmenge und die Art der Daten haben sich erheblich geändert.
JMP schließt diese kalifornischen Daten nicht als Beispiel ein, aber Sie können die neuen Python-Funktionen in JMP 18 verwenden, um diese Daten einzubinden.Ich werde versuchen, es mit JMP zu importieren.
Python-Integration für JMP 18
JMP verfügt seit langem über die Möglichkeit, eine Verbindung zu Python herzustellen, das auf demselben Computer installiert ist, sodass Sie Python-Befehle und -Bibliotheken in JMP ausführen können.
Die neue Version, JMP 18, enthält wesentliche Änderungen und Verbesserungen der Python-Integrationsfunktion. Die wichtigsten Änderungen und Verbesserungen sind wie folgt.
- Durch die Installation von JMP 18 wird auch das integrierte Python (Version 3.11) installiert. Daher ist es nicht erforderlich, Python separat von JMP zu installieren, und es funktioniert mit jeder installierten Python-Instanz.
- Es wird mit einem nativen Python-Editor (JMP Python Script Editor) geliefert, mit dem Sie Python-Befehle direkt schreiben können. (Früher bestand die einzige Möglichkeit zum Herstellen einer Verbindung darin, den Python-Aufrufbefehl aus der Skriptsprache (JSL) von JMP zu verwenden.)
- Sie können Python-Pakete (jmp, jmputils) verwenden, die für die Verwendung von JMP geeignet sind. Das jmp-Paket eignet sich zum Bearbeiten von Datentabellen (Öffnen, Schließen, Hinzufügen/Löschen/Ändern von Spalten usw.), und jmputils ist ein praktisches Paket zum Installieren von Paketen in der JMP-Python-Umgebung.
Starten und Ausführen des JMP Python-Skripteditors
Starten Sie Python Script über die Menüleiste von JMP 18, schreiben Sie ein Python-Programm und führen Sie es aus (Bearbeiten > Skript ausführen).
Unten finden Sie den Code zum Lesen des scikit-learn-Datensatzes im Pandas-Dataframe-Format als JMP-Datentabelle. Fügen Sie diesen Code in Ihr JMP-Python-Skript einIch werde es tun.
#Install pandas and scikit-learn packages if you have not installed
#import jmputils
#jmputils.jpip('install', 'pandas scikit-learn')
#California dataset
from sklearn.datasets import fetch_california_housing
import pandas as pd
import jmp
california = fetch_california_housing()
# Transform to pandas DataFrame
df_features = pd.DataFrame(data=california.data, columns=california.feature_names)
df_features['MedHouseVal'] = california.target
column_names = df_features.columns.tolist()
# Create JMP Datatable from pandas DataFrame
dt = jmp.DataTable('California',df_features.shape[0])
for i in range( df_features.shape[1] ):
dt.new_column(column_names[i])
dt[i] = list(df_features.iloc[:,i])
# About california_housing_dataset
print(california.DESCR)
Hinweis : Für Python von JMP müssen Sie außerdem die Pakete installieren, die Sie verwenden möchten. In diesem Beispiel werden die Pakete pandas und scikit-learn verwendet. Wenn Sie sie also nicht installiert haben, kommentieren Sie die zweite und dritte Zeile oben aus (entfernen Sie das #) und führen Sie sie aus.
Kalifornien-Datensatz
Dies ist ein mit JMP geladener Datensatz. Es zeigt den mittleren Hauspreis für 20.640 Häuserblöcke in Kalifornien, der die objektive Variable (Y) darstellt. Zu den erklärenden Variablen gehören das Einkommen pro Block (Mittelwert), das Alter des Gebäudes (Mittelwert), die durchschnittliche Anzahl der Zimmer und Schlafzimmer pro Haushalt, die Bevölkerung, die Anzahl der Haushaltsmitglieder (Durchschnittswert), der Breiten- und Längengrad.
Unter Verwendung von Breiten- und Längengradinformationen habe ich den Hauspreis (MedHouseVal) jedes Blocks mit „Graph Builder“ auf einer Karte eingezeichnet. 
Die Immobilienpreise scheinen in Küstengebieten höher zu sein, insbesondere in der Nähe größerer Städte wie San Francisco und Los Angeles.
Im nächsten Teil 2 werden wir den diesmal vorgestellten kalifornischen Datensatz verwenden, um die neuen Funktionen von JMP 18 detaillierter zu erläutern.
von Naohiro Masukawa (JMP Japan)
Naohiro Masukawa – JMP-Benutzergemeinschaft
