因此，您想了解有關 Python 和 JMP 整合的更多資訊。首先，如果您還沒有觀看相關視頻，請確保您能夠跟上進度。
一組 JMP SE 開發了一系列博客，展示了 JMP 和 Python 可以輕鬆整合來處理日常任務，例如清理資料以及更高級的分析和建模。特別感謝 Yasmine Hajar ( @yasmine_hajar ) 和 Wendy Tseng ( @wendytseng ) 在影片和部落格中使用的 Python 編碼方面提供的幫助。
在影片中，我們展示瞭如何僅使用滑鼠和眼睛來尋找潛在的異常值，然後將其從資料表中刪除。您還將學習如何分析缺失值，並在必要時將值估算為替代值，以查看分析結果（如果資料不缺失）。
JMP 和 Python 多年來一直互補，隨著 JMP 18 的發布，將 Python 分析與 JMP 中出色的資料視覺化整合起來變得更加容易。然而，我在這裡有很大的偏見，JMP 中的資料清理比 Python 中的資料清理要容易得多，原因有一個非常基本的原因：編碼。
例如，使用 JMP，您可以在「分佈」平台中以單變量模式直觀地掃描異常值，並在「多變量」平台中以多變量模式直觀地掃描異常值。有使用模型驅動多元控製圖平台掃描 Hoteling 的 T2 異常值以獲得所有感興趣資料的功能，但我們將在下次使用該功能。同樣，請觀看隨附的影片以了解所有這些功能的實際應用。
同時，這裡列出了 Python 中的一些資料清理選項：
- 從文字資料中提取特定模式，例如電子郵件地址、電話號碼或日期。
- 從文字資料中刪除不需要的字元或子字串。
- 用新值替換特定模式或子字串。
- 透過將所有字元轉換為小寫或大寫來標準化文字資料。
- 根據文字資料識別並刪除重複項。
- 將列重新命名為一組更容易識別的標籤。
- 刪除 DataFrame 中不必要的列。
- 更改 DataFrame 的索引。
使用 JMP 的重新編碼選項可以快速完成前五個選項。另外，使用「列」選單下拉清單下的「列名稱」選項，只需點擊幾下即可重新命名列。
刪除資料表中不必要的列就像選擇感興趣的列，然後右鍵單擊任何選定的列標題並選擇刪除列一樣簡單。
在尋找缺失值和估算缺失資料方面，JMP 處於領先地位。在 JMP 中定位和隔離異常值也很簡單，您可以在下面看到。
以下是用於開啟 JMP 表並探索異常值和缺失值的 Python 程式碼。下面是資料框的影像以及異常值和缺失值的一些輸出。請注意，Python 中的異常值是使用絕對值大於 3 的 Z 分數來確定的。
若要在 JMP 中解析異常值，請按照此範例進行操作，該範例使用 JMP 樣本資料索引中的 Arythmia.jmp。轉至分析 > 篩選 > 探索異常值。
您可以確定哪些資料確實是異常值，並且只需單擊幾下即可輕鬆重新計算異常值範圍。由於潛在的審計跟踪，JMP 建議您永遠不要從資料集中完全刪除資料。您始終可以在 JMP 中隱藏和排除數據，以將其排除在分析之外，而無需將其從數據集中刪除。在 Python 中隱藏資料需要更多編碼，並且很可能意味著任何人都看不到資料。
若要在 JMP 中探索缺失值，請開啟資料表，前往分析 > 篩選 > 探索缺失值。
