国勢調査地区のインポートとテーブルの結合
ニューヨーク市のインジケーター レイヤーを準備します。 複数の既存のデータ ソースの属性を 1 つの空間レイヤーに結合します。 国勢調査地区レイヤーにすべての属性を設定することで、追加の属性を使用して地区をマッピングおよび分析できます。 指標レイヤーを構築するには、American Community Survey (ACS) の既存の空間データと表形式データ、樹冠を測定するラスター データ、および特定の女性のリソースへのアクセスを測定する近接解析を使用します。
データのダウンロードとプロジェクトの準備
まず、チュートリアルで使用するデータをダウンロードします。
- チュートリアルで使用する データ をダウンロードします。
- Microsoft File Explorer で、C:\ ドライブに「IndicatorData」という名前のフォルダーを作成します。
- ダウンロードした .zip ファイルの内容を [IndicatorData] フォルダーに抽出します。
- ArcGIS Pro を起動します。 サイン インを求められたら、ライセンスが割り当てられた ArcGIS 組織アカウントを使用してサイン インします。
注意:
ArcGIS Pro へのアクセス権限または組織アカウントがない場合は、ソフトウェア アクセスのオプションをご参照ください。
ArcGIS Pro を開くと、新しいプロジェクトを作成するか、既存のプロジェクトを開くかを選択できるオプションが表示されます。 以前プロジェクトを作成したことがある場合は、最近使用したプロジェクトのリストが表示されます。
- [新しいプロジェクト] の下の [マップ] をクリックします。
- [新しいプロジェクト] ウィンドウで、[名前] に「Indicators」と入力して、[位置] でデフォルト フォルダーを受け入れて、[OK] をクリックします。
プロジェクトが作成されたので、フォルダー接続を追加してデータに簡単にアクセスできるようにします。
- [カタログ] ウィンドウを表示します。 表示されない場合は、[表示] メニューから [ウィンドウ] グループで、[カタログ ウィンドウ] を選択します。
- [カタログ] ウィンドウで [フォルダー] を右クリックして、[フォルダー接続の追加] を選択します。
- [フォルダー接続の追加] ウィンドウで、[IndicatorData] フォルダーを参照して選択し、それを選択して [OK] をクリックします。
- [IndicatorData] フォルダーを展開してコンテンツを表示します。
フォルダー内には、属性情報を格納する .csv と .xlsx ファイルがいくつかあります。 ジオデータベースにインポートする [nyct2020] という名前のシェープファイルもあります。 シェープファイルをフィーチャクラスとしてジオデータベースにインポートすると、残りのインジケーター情報の基盤として機能します。 表形式の情報を空間データに結合することで、すべての情報を分析して視覚化することができます。
シェープファイルをジオデータベースにインポート
データをダウンロードし、プロジェクトを作成し、フォルダーに接続してデータにアクセスしました。 次に、シェープファイルをジオデータベースにインポートします。
- [カタログ] ウィンドウで、[データベース] を展開します。
ArcGIS Pro で、すべてのプロジェクトには、プロジェクトと同じ名前のデフォルトのジオデータベースが付属しています。 プロジェクト ジオデータベースの名前は [Indicators.gdb] です。
- [Indicators.gdb] を右クリックし、[インポート] をポイントして [フィーチャクラス] を選択します。
[フィーチャクラス → ジオデータベース] ツールが開きます。
- [入力フィーチャ] で参照ボタンをクリックし、[IndicatorData] フォルダーを参照して [nyct2020] をクリックし、[OK] をクリックします。
ジオデータベースを右クリックして、そこにデータをインポートすることを選択したため、[出力ジオデータベース] パラメーターはすでにプロジェクト ジオデータベースに設定されています。
- [実行] をクリックします。
- [カタログ] ウィンドウで [インジケーター] ジオデータベースを展開します。
シェープファイルはジオデータベースに変換され、ポリゴンを含むフィーチャクラスとして保存されました。 フィーチャクラスは、同じタイプ、ポイント、ライン、またはポリゴンのデータのコレクションです。
- [Indicators] ジオデータベースから、[nyct2020] レイヤーをクリックし、マップ上にドラッグして追加します。
国勢調査地区はマップ上に表示され、デフォルトの色で表示されます。
注意:
国勢調査地区は、画像に表示されている色とは異なる色で表示される場合があります。
- [コンテンツ] ウィンドウで [nyct2020] レイヤーを 1 回クリックして選択し、もう一度クリックして、名前を変更できるようにします。
- 「NY Census Tracts」と入力して、Enter キー を押します。
シェープファイルをジオデータベース フィーチャクラスにインポートし、マップに追加して、レイヤーの名前を変更しました。 データベースに基礎となる空間データセットが作成されたので、テーブル結合を通じて情報を追加します。
テーブル形式のデータの探索
次に、ACS データを国勢調査地区に結合します。 ニューヨーク州全体の ACS データは現在、.csv ファイル、つまり非空間形式で保存されています。 共通属性に基づいて 2 つのデータセットを結合し、ACS データを国勢調査地区に組み込みます。
- [カタログ] ウィンドウで、[フォルダー] を展開して、[IndicatorData] フォルダーを展開します。
[Data4Join.csv] ファイルには、[NY Census Tracts] レイヤーに結合する州全体の ACS データが含まれています。
- [Data4Join.csv] ファイルをマップ上にドラッグします。
.csv ファイルが [コンテンツ] ウィンドウの [スタンドアロン テーブル] に表示されます。
.csv ファイルなどのテーブルには空間コンポーネントがないため、[コンテンツ] ウィンドウの [スタンドアロン テーブル] セクションにリストされます。 表形式のデータはデフォルトではマップ上に表示されませんが、データを結合してフィーチャ レイヤーの拡張に使用したり、テーブルに座標がある場合は座標に基づいてデータを表示したりできます。
次に、テーブルを検査します。
- [Data4Join.csv] テーブルを右クリックして、[開く] を選択します。
テーブルにはマッピングに使用できる多くの属性が含まれています。 現在、テーブルは .csv 形式であり、[OBJECTID] フィールドがないため、別のレイヤーと結合することはできません。 また、結合の一致フィールドとして使用する [GEO_ID] フィールドは、国勢調査地区レイヤーの同じフィールドとは異なるタイプです。 テーブルを結合するには、同じデータ タイプの共通フィールドが必要です。
- テーブルで、オプション ボタンをクリックし、[フィールド ビュー] を選択します。
- [GEO_ID] フィールドを見つけて、その [データ タイプ] 値が [Big Integer] であることを確認します。
- [コンテンツ] ウィンドウで、[NY Census Tracts] を右クリックして [属性テーブル] を選択します。
- .csv テーブルでの場合と同様に、オプション ボタンをクリックし、[フィールド ビュー] を選択します。
国勢調査地区レイヤーの [GEOID] フィールドには、テーブル内の [GEO_ID] フィールドと同じ情報が含まれていますが、テキスト形式です。
結合が正しく機能するには、フィールド タイプが一致している必要があります。 このテーブルを結合で使用できるようにするには、このテーブルをジオデータベースにインポートし、情報を格納するためのテキスト フィールドを追加して計算します。
- すべてのテーブルと [フィールド] ビューを閉じます。
結合のためのデータの準備
.csv テーブルをジオデータベースにインポートし、結合に使用するフィールドを追加して計算する必要があることがわかったので、これらの操作を実行してデータを適切に準備します。
- [カタログ] ウィンドウで [Indicators] ジオデータベースを右クリックし、[インポート] をポイントして [テーブル] を選択します。
- [入力テーブル] の場合は、ドロップダウン メニューをクリックして [Data4Join.csv] を選択します。
- [実行] をクリックします。
- [カタログ] ウィンドウの [Indicators] ジオデータベースで、[Data4Join_csv] を右クリックし、[名前の変更] を選択します。 「ACS_Data」と入力して Enter キー を押します。
- [ACS_Data] テーブルをマップに追加します。
- [コンテンツ] ウィンドウで、[Data4Join.csv] を右クリックして [削除] を選択します。
テーブルを結合する前に、テキスト フィールドを追加して計算する必要があります。
- [ACS_Data] テーブルを右クリックし、[データ設計] をポイントして [フィールド] を選択します。
- フィールド リストの下部で [ここをクリックして、新しいフィールドを追加します。] をクリックします。
- [フィールド名] に「GEOID」と入力し、[データ タイプ] で [テキスト] を選択します。
- リボンの [フィールド] タブの [編集の管理] グループで、[保存] をクリックします。
- [フィールド] ビューを閉じます。
- [ACS_Data] テーブルを開きます。
- 最後までスクロールして、[GEOID] フィールドを見つけます。 それを右クリックして、[フィールド演算] を選択します。
- [式] セクションの [フィールド] で、[GEO_ID] をダブルクリックして、式に追加します。
追加した [GEOID] フィールドにデータを入力するには、[GEO_ID] フィールドを使用しています。
- [OK] をクリックします。
フィールドのタイプが正しいものとなり、正しい情報が入力されるようになりました。
- テーブルを閉じます。
これで、結合を実行する準備が整いました。 この場合、[ACS_Data] テーブルを [NY Census Tracts] レイヤーに結合して、空間データを補足します。
ACS データを国勢調査地区レイヤーに結合します。
次に、ACS データを国勢調査地区に結合します。 共通属性に基づいて 2 つのデータセットを結合し、ACS データを国勢調査地区に組み込みます。
- [コンテンツ] ウィンドウで、[NY Census Tracts] レイヤーを右クリックし、[テーブルの結合とリレート] をポイントして、[結合] を選択します。
「テーブルの結合」ウィンドウが開きます。 ここで、関係するテーブルや一致するフィールドなど、結合のパラメーターを入力できます。
- [テーブルの結合] ツールで、次のパラメーターを入力または確認します。
- [入力テーブル] で、[NY Census Tracts] が選択されていることを確認します。
- [入力フィールド] で [GEOID] が選択されていることを確認します。
- [結合テーブル] で、[ACS_Data] が選択されていることを確認します。
- [結合フィールド] で、[GEOID] が選択されていることを確認します。
- [すべての入力レコードを保持] をオフにします。
- [結合方法] で、[1 対 1 の結合] を選択します。
結合のすべてのパラメーターを入力しました。 次に、ツールを実行する前に結合を検証して、正しく機能することを確認します。
- [結合の検証] ボタンをクリックします。
[メッセージ] ウィンドウが開きます。
結合に一致するレコードは 2,325 件あります。 これは、フィーチャ レイヤー内の国勢調査地区の数と同じです。 ACS テーブルにはニューヨーク州全体のデータが含まれていますが、共通フィールドに基づいて、地域に一致する情報のみが結合されます。
- [メッセージ] ウィンドウで [閉じる] をクリックし、[テーブルの結合] ウィンドウで [OK] をクリックします。
結合は完了しましたが、マップ上に目に見える変化はありません。 違いがわかるのは、レイヤーの属性テーブルです。
- [NY Census Tracts] 属性テーブルを開きます。
- 右にスクロールして、[ACS_Data] フィールドを確認します。
これで、[ACS_Data] テーブルのすべてのフィールドが共通フィールドに基づいて国勢調査地区に結合されます。
- テーブルを閉じます。
- [クイック アクセス ツールバー] で [保存] をクリックし、プロジェクトを保存します。
ACS 属性を国勢調査地区レイヤーに結合しました。 これで、これらのフィールドをシンボル表示、ラベル付け、分析に使用できるようになります。
結合レイヤーのエクスポート
結合はレイヤー内で仮想的で、独自のデータ ソースとして個別に保存されるわけではありません。 国勢調査地区レイヤーをフィーチャクラスとしてエクスポートし、国勢調査地区フィーチャと結合されたフィールドを格納します。
- [コンテンツ] ウィンドウで、[NY Census Tracts] を右クリックし、[データ] をポイントして [フィーチャのエクスポート] を選択します。
[フィーチャのエクスポート] ウィンドウが表示されます。 レイヤーを右クリックしてエクスポートしたため、[入力フィーチャ] パラメーターはすでに適切に設定されています。
- [出力フィーチャクラス] で、デフォルト名を「NY_ACS_Tracts」に置き換え、[OK] をクリックします。
- [OK] をクリックします。
- マップから、[NY Census Tracts] レイヤーを削除します。
- [コンテンツ] ウィンドウで、[NY_ACS_Tracts] の名前を「NYC Census Tracts」に変更します。
これで、マップ内の国勢調査地区レイヤーには ACS テーブルのすべての属性が含まれ、独自のデータ ソースになります。 このデータ ソースを何らかの形式で共有すると、すべての属性が存在するようになります。
- プロジェクトを保存します。
フィールドの追加および計算
次に、教育レベルと生殖年齢を考慮した、いずれもパーセンテージ フィールドの 2 つのフィールドを追加して計算します。
- [コンテンツ] ウィンドウで、[NYC Census Tracts] を右クリックし、[データ設計] をポイントして [フィールド] を選択します。
- 下部までスクロールし、[ここをクリックして、新しいフィールドを追加] を 2 回クリックします。
2 行表示されます。 次に、フィールド プロパティを編集します。
- 最初の行には、次のプロパティを入力します。
- [フィールド名] に、「Bachelors_degree_higher_women」と入力するか、コピーして貼り付けます。
- [エイリアス] では、「Is a bachelor's degree or higher attainable for women?」と入力するか、コピーして貼り付けます
- [データ タイプ] では [Double] を選択します。
- 2 番目のフィールドには、次のプロパティを入力します。
- [フィールド名] に、「Percent_reproductive_age」と入力するか、コピーして貼り付けます。
- [エイリアス] では、「What percent of women are at reproductive age?」と入力するか、コピーして貼り付けます
- [データ タイプ] では [Double] を選択します。
注意:
フィールドの横にある緑色のボックスは、保存されていない変更があることを示します。
- リボンの [フィールド] タブの [編集の管理] グループで、[保存] をクリックします。
- [フィールド] ビューを閉じます。
教育と、生殖に関する健康の指標を測定するには、フィールドをパーセンテージで計算します。
- [NYC Census Tracts] の属性テーブルを開き、テーブルの最後までスクロールして、追加した 2 つのフィールドを確認します。
- [Is a barchelor's degree or higher attainable for women?] を右クリックし、[フィールド演算] を選択します。
- [式] セクションの [EducationForWomen =] に、次の式をコピーして貼り付けます: (!Women_getting_a_Bachelor_s_Degree_or_higher! / !Total_Female_Population_for_Education!) * 100。
- 緑色のチェック マークをクリックして、式を検証し、[適用] をクリックします。
すべてのレコードに値があるわけではないため、メッセージ ウィンドウが表示され、警告が表示されます。 問題ありませんので、続行します。
- 警告ウィンドウを閉じ、[OK] をクリックします。
学士号以上の学位を持つ女性の割合を計算しました。 次に、同様の方法でもう 1 つのフィールドを計算します。
- 属性テーブルで [What percent of women are at reproductive age?] を右クリックし、[フィールド演算] を選択します。
- [式] セクションの [WomenAtReproductiveAge =] で、既存の式をクリアします。
- 次の式をコピーして貼り付けます: (!Women_at_reproductive_age_15_to_44! / !Total_Female_Population_for__reproductive_health!) * 100。
- [適用] をクリックします。
同様の警告が表示されますが、これは問題なく、想定どおりです。
- 警告ウィンドウを閉じ、[OK] をクリックします。
アメリカでは、高等教育を受けると収入が増えるということはよく知られています。 このテーブルを見るに、これらの地域に住む女性は良い成功モデルがあるでしょうか。 この成功モデルは、収入の中央値、学歴、男性と比較した収入によって測定されます。 生殖年齢の女性の割合は、中絶禁止などの州法の変更の影響を測定するために使用できます。 この手段を利用すると、性別に特化した医療サービスの提供範囲を拡大できます。
- テーブルを閉じて、プロジェクトを保存します。
分析における主要な指標として、特定の教育レベルの女性と生殖年齢の女性の割合を考慮するために、2 つのフィールドを追加して計算しました。
シェープファイルや CSV ファイルなどの既存のデータ ソースからインジケーター レイヤーを作成しました。 データをジオデータベースにインポートし、フィールドを追加し、データを結合してエクスポートし、フィールドを計算しました。 次に、ラスター データを使用して環境インジケーターを作成します。
ラスター データを使用した樹冠レイヤーの作成
このセクションでは、樹冠を計測するインジケーターを準備します。 樹冠は環境インジケーターでよく使用される評価基準の 1 つであり、温度などの他の環境インジケーターと組み合わせることで、そのエリアの全体像をより詳細に把握できます。 樹冠には別の側面もあります。歴史的に見て、アメリカの多くの都市では通常、樹木の分布に偏りがあります。 樹冠はニューヨーク市などの都会では贅沢なものです。 ここでは、樹冠を環境インジケーターとして使用して、樹木の分布状況と、日陰を利用できる女性の特徴を理解していきます。
土地被覆画像の調査
まず、ニューヨーク市の LIDAR データから作成した土地被覆データを追加します。 画像には分類された 8 種類の土地被覆があります。
- ArcGIS Pro でプロジェクトに戻ります。
- [IndicatorData] フォルダー接続に移動し、[Land_Cover] フォルダーを展開します。
この画像は、ニューヨーク市の 6 インチ解像度の土地被覆ラスター データセットです。
- この画像をマップに追加します。
- [コンテンツ] ウィンドウで [NYC Census Tracts] レイヤーをオフにします。
この画像レイヤーは 8 つのクラスに分類されています。 次に、属性テーブルを調査して画像データを確認します。
- [NYC_2017_LiDAR_LandCover.img] レイヤーの属性テーブルを開きます。
テーブルには 8 つの土地被覆分類が表示されています。 [Tree Canopy] に分類されたラスターには 7,446,483,259 個のセルがあります。
ニューヨーク市などの都会と言えば、おそらくビルや歩道、人混みにあふれた通りなどが思い浮かぶでしょう。 そのような現実があるため、樹木や草地は贅沢なものになっています。
- テーブルを閉じます。
土地被覆画像の再分類
画像の 8 つの土地被覆分類の中で、今対象としているのは [Tree Canopy] 分類だけです。 そのため、ジオプロセシング ツールを使用して画像を再分類し、樹冠として分類されているセルのみを分離します。
- リボンの [解析] タブをクリックします。 [ジオプロセシング] グループで、[ツール] をクリックします。
[ジオプロセシング] ウィンドウが表示されます。 ここから、ツール名またはツールが格納されているツールボックス名でツールを検索できます。
- [ジオプロセシング] ウィンドウで、[ツールの検索] バーに「reclass」と入力します。 [再分類 (Spatial Analyst ツール)] ツールをクリックします。
- [再分類] ツールで、次のパラメーターを設定します。
- [入力ラスター] でドロップダウン メニューをクリックし、[NYC_2017_LiDAR_LandCover.img] を選択します。
- [再分類フィールド] が [Class] に設定されていることを確認します。
- [再分類] テーブルで、[Tree Canopy] 行の [新しい値] 列の値を[1] のままにしておきます。 [NODATA] 以外のすべてのクラスで、[新しい値] 列の値を「0」に変更します。
- [出力ラスター] で、[参照] ボタンをクリックして、[IndicatorData] フォルダーを参照します。 [名前] に「TreeCanopyNYC.tif」と入力し、[保存] をクリックします。
注意:
お使いのシステムによっては、[再分類] ツールが完了するまでに最大で 20 分程度かかる場合があります。
または、結果データをダウンロードして、[TreeCanopyNYC.tif] 画像ファイルを使用することもできます。 代わりにこのデータを使用する場合は、お使いのコンピューターに .zip ファイルをダウンロードして抽出し、[TreeCanopyNYC.tif] の代わりにプロジェクトに追加します。
- [実行] をクリックします。
画像の処理が完了すると、マップに表示されます。
- [コンテンツ] ウィンドウで、[NYC_2017_LiDAR_LandCover.img] レイヤーを削除します。
[TreeCanopyNYC.tif] レイヤーにはクラスが 2 つあります。[Tree Canopy] があるクラスと、その他すべての土地被覆分類があるクラスです。 このラスターを使用して、環境インジケーターの評価基準となる、樹冠の存在に関する変数を計算できます。
- プロジェクトを保存します。
次に、[ゾーン統計をテーブルに出力] ツールを使用して、各国勢調査地区の樹冠の量を集計します。
各国勢調査地区内の樹冠の集計
インジケーターとして今対象としているのは樹木の存在であり、値が高いほど樹木が多い、つまり良い環境要因であることを表すようにします。 各国勢調査地区内の樹木被覆を算出するために、国勢調査地区ポリゴンに基づいて樹冠セル数を集計します。
- [ジオプロセシング] ウィンドウの戻るボタンをクリックします。 [ゾーン統計をテーブルに出力 (Spatial Analyst ツール)] ツールを検索して開きます。
このツールでは、各国勢調査地区ポリゴン内の樹冠セルの数を集計し、各ゾーン (ポリゴン) 内のセルの総数を計算します。 これにより、樹木で覆われるポリゴン セルの割合を計算できます。
- [ゾーン統計をテーブルに出力 (Zonal Statistics as Table)] ツールで、次のパラメーターを入力します。
- [入力ラスター、またはフィーチャ ゾーン データ] で、[NYC Census Tracts] を選択します。
- [ゾーン フィールド] で、[GEOID [GEOID]] を選択します。
- [入力値ラスター] で [TreeCanopyNYC.tif] を選択します。
- [出力テーブル] に「TreePixels」と入力します。
- [統計情報の種類] で、[合計] を選択します。
注意:
お使いのシステムによっては、[ゾーン統計をテーブルに出力] ツールが完了するまでに最大で 30 分程度かかる場合があります。
または、結果データをダウンロードして、zip ファイルを抽出し、[TreePixels] テーブルをプロジェクトに追加することもできます。
- [実行] をクリックします。
ツールが完了したら、[TreePixels] テーブルが [コンテンツ] ウィンドウの [スタンドアロン テーブル] に表示されます。
- [TreePixels] テーブルを開きます。
このテーブルには、対象となる [COUNT] と [SUM] という 2 つの列があります。COUNT は各国勢調査地区内のピクセルの総数で、SUM は樹冠ピクセルの総数です。
各国勢調査ポリゴンの樹冠の割合を計算するために、「PctTreeCanopy = (Sum / Count) * 100」という式を使用します。
- 属性テーブルで、[計算] をクリックします。
[フィールド演算] ツールが開きます。 前の手順では、[フィールド演算] ツールを開く前にフィールドを作成していました。 今回は、フィールドの作成と計算を同時に行います。
- [フィールド演算] ツールの [フィールド名 (既存または新規)] に「PctTreeCanopy」と入力します。
- [フィールド タイプ] で [Double (64 ビット浮動小数点)] を選択します。
- [式] の [PctTreeCanopy =] で、式「(!SUM! / !COUNT!)*100」を作成します。
- [OK] をクリックします。
属性テーブルの末尾に [PctTreeCanopy] フィールドが表示され、計算されます。
[PctTreeCanopy] の値は、その国勢調査地区の樹木被覆率を表しており、環境インジケーターの評価基準となります。
- [TreePixels] テーブルを閉じ、[TreeCanopyNYC.tif] をオフにして、プロジェクトを保存します。
ここでは、土地被覆画像を再分類し、インジケーターに加えたい樹木被覆のセルを分離して、国勢調査地区別に樹木被覆率を集計しました。 ニューヨーク市の各国勢調査地区の樹木被覆率が判明し、 [TreePixels] テーブルを [NYC Census Tracts] レイヤーに結合する準備ができました。
近接性に基づくインジケーターの追加
次に作成するインジケーターは、特定のものへのアクセスを測定します。 組織は多くの場合、性別に基づくリソースなど、さまざまなものがどこにあるのかを特定しようとしています。 位置を特定したら、次のステップは、これらの位置へのアクセスを決定することです。 通常、何かへのアクセスはその位置への近接性で測定されます。 女性用施設の位置を表すポイント レイヤーを作成します。 その後、施設の周囲に 0.5 マイルのバッファーを作成して、それらの施設への近接性を判定します。 黒人や褐色人種の女性は強制退去によって悪影響を受けることが多いという調査結果があるため、立ち退きが発生している位置についても同じことを実行します。 ニューヨーク市で女性が自宅や賃貸住宅からの強制退去に直面している地域を調べます。
テーブルからポイントを作成
このチュートリアルではテーブル データを使用してきましたが、これまでのところ、それらはすべて非空間テーブルであるか、座標などの何らかの空間コンポーネントがないかのどちらかでした。 次に、位置の座標を含むテーブルから立ち退きの発生位置をマッピングします。
- [カタログ] ウィンドウの [IndicatorData] フォルダーから、[Evictions.csv] をマップに追加します。
- [Evictions.csv] テーブルを開いて、[Latitude] フィールドと [Longitude] フィールドが表示されるまで右にスクロールします。
[Latitude] フィールドと [Longitude] フィールドには、それぞれの立ち退き発生位置の座標が格納されます。 これらのフィールドを使用して、立ち退き発生位置をマップ上のポイントとしてマッピングします。
- テーブルを閉じます。
- リボンの [マップ] タブの [レイヤー] セクションで、[XY テーブル → ポイント] をクリックします。
[ジオプロセシング] ウィンドウに [XY テーブル → ポイント] ツールが表示されます。
- [XY テーブル → ポイント] ツールで、次のパラメーターを設定または確認します。
- [入力テーブル] で、[Evictions.csv] を選択します。
- [出力フィーチャクラス] で、デフォルト名を「Evictions」に置き換えます。
- [X フィールド] で、[Longitude] が選択されていることを確認します。
- [Y フィールド] で、[Latitude] が選択されていることを確認します。
- [座標系] で、[GCS_WGS_1984] が選択されていることを確認します。
[XY テーブル → ポイント] ツールは、フィールド名に基づいてスマート パラメーターのデフォルト値を選択します。
- [実行] をクリックします。
注意:
NULL 値に関する警告が表示されますが、無視して構いません。
次に、女性用施設を含むテーブルを追加し、同じツールを使用してそれらの位置をマッピングします。
- [カタログ] ウィンドウから、[Womens_Facilities.csv] をマップに追加します。
- [マップ] タブで、[XY テーブル → ポイント] をクリックします。
- [XY テーブル → ポイント] ツールで、次のパラメーターを設定します。
- [入力テーブル] で、[Womens_Facilities.csv] を選択します。
- [出力フィーチャクラス] で、名前を「WomensResources」に変更します。
- [X フィールド] で、[Location 2] を選択します。
- [Y フィールド] で、[Location 1] を選択します。
- [座標系] で、[GCS_WGS_1984] が選択されていることを確認します。
- [実行] をクリックします。
- [コンテンツ] ウィンドウで、[Evictions] をオフにして、[WomensResources] ポイントを表示します。
注意:
ポイントの色を変更して見やすくすることもできます。
非空間テーブルから 2 つのフィーチャ レイヤーを作成し、インジケーターの重要な基準をマッピングしました。
データをフィルターして、特定の種類のフィーチャのみを表示
これで、マップ上にすべてのポイントが表示されたので、分析の焦点を絞り、特定の種類の立ち退き発生位置だけが含まれるようにします。 立ち退きに関して、ここで知りたいのは法的手段による強制的な立ち退きだけなので、フィルターによって、必要な情報だけを表示します。 分析で重要なのは、データの焦点を絞り、樹冠被覆率、法的手段による強制的な立ち退きなど、特定のデータだけが含まれるようにすることです。
- [Evictions] の属性テーブルを開きます。
- スクロールして、[Ejectment] フィールドを見つけます。
このフィールドを使用して、属性を選択します。
- テーブルで、[属性条件で選択] をクリックします。
- [Where] で、ドロップダウン メニューをクリックして、[Ejectment] を選択します。
- 2 番目のドロップダウン メニューでは [と等しい] をそのまま使用し、最後のドロップダウン メニューで [Ejectment] を選択します。
- [OK] をクリックします。
- テーブルの左下にある [選択レコードを表示] をクリックします。
これで、選択レコードのみが表示されます。 67 件のレコードが選択されているはずです。 選択セットを切り替えて、使用しないフィーチャを選択し、削除します。
- テーブルで、[選択セットの切り替え] をクリックします。
これで、不要な 89,835 件のレコードが選択されました。
- [選択の削除] をクリックします。
- [はい] をクリックして削除を確定します。
- [すべてのレコードを表示] をクリックします。
- テーブルを閉じて、プロジェクトを保存します。
これで、[Evictions] テーブルには、分析に使用したい 67 件のレコードのみが含まれています。
徒歩時間のバッファーの作成
次に、立ち退き発生位置と女性用施設への近接性を分析に組み込みます。 歩行距離を表すために、フィーチャの周囲に 0.5 マイルのバッファーを作成します。
- [ジオプロセシング] ウィンドウで [ペアワイズ バッファー] ツールを検索して開きます。
- [ペアワイズ バッファー] ツールで、次のパラメーターを設定します。
- [入力フィーチャ] で [WomensResources] を選択します。
- [出力フィーチャクラス] で、デフォルトを [ResourcesBuffer] に置き換えます。
- [距離] で「0.5」と入力します。
- [距離単位] で [米国測量マイル] を選択します。
- [方法] で [測地線 (形状維持)] を選択します。
- [ディゾルブ タイプ] で、[すべてディゾルブ] を選択します。
- [実行] をクリックします。
- [コンテンツ] ウィンドウで、ベースマップ以外の表示レイヤーが [WomensResources] と [ResourcesBuffer] のみであることを確認します。
リソース ポイントのバッファーを作成しました。 次に、立ち退きフィーチャのバッファーを作成します。
- [ペアワイズ バッファー] ツール (この時点でまだ開いている) で、次のパラメーターを更新します。
- [入力フィーチャ] で [Evictions] を選択します。
- [出力フィーチャクラス] で、デフォルトを「EvictionsBuffer」に置き換えます。
- [実行] をクリックします。
- [コンテンツ] ウィンドウで、[WomensResources] と [ResourcesBuffer] をオフにし、[Evictions] と [EvictionsBuffer] をオンにします。
立ち退きポイントと女性のリソース ポイントの周囲に 0.5 マイルのバッファーを表すレイヤーを作成しました。 これらのバッファーがあれば、インジケーターの準備に近接性を組み込むことができます。
インジケーター テーブルの作成
これで、インジケーター テーブルを作成する準備ができました。
- [ジオプロセシング] ウィンドウで、戻る矢印をクリックします。 [交差部分のクロス集計] ツールを検索して開きます。
- [交差部分のクロス集計] ツールで、次のパラメーターを設定します。
- [入力ゾーン フィーチャ] で、[NYC Census Tracts] を選択します。
- [ゾーン フィールド] で、[GEOID [GEOID]] を選択します。
- [入力クラス フィーチャ] で、[EvictionsBuffer] を選択します。
- [出力テーブル] に「EvictionsIndicator」と入力します。
- [合計フィールド] で、[SHAPE_Area] を選択します。
- [実行] をクリックします。
[コンテンツ] ウィンドウで、[EvictionsIndicator] テーブルが [スタンドアロン テーブル] の下に表示されます。
次に、女性のリソースのインジケーター テーブルを作成します。
- [交差部分のクロス集計] ツールで、次のパラメーターのみを変更します。
- [入力クラス フィーチャ] で、[ResourcesBuffer] を選択します。
- [出力テーブル] で、名前を「ResourcesIndicator」に変更します。
- [実行] をクリックします。
[コンテンツ] ウィンドウで、[ResourcessIndicator] テーブルが [スタンドアロン テーブル] の下に表示されます。
- 両方のインジケーター テーブルを開きます。
- いずれかのテーブルのタブをクリックし、ドッキングのオプションが表示されるまでドラッグします。 もう一方のテーブルの右側にドッキングします。
各テーブルには、2 つの異なるものへのアクセスを測定する [PERCENTAGE] フィールドが含まれています。
立ち退きのパーセンテージが高いことは、人々が強制的に住宅を奪われていることを表すため、望ましいことではありません。 一方、女性のリソースへのアクセスは好ましい測定値です。 つまり、パーセンテージが高いことは、性別に特化したサービスへのアクセスが増えていることを意味します。
- テーブルのドッキングを解除し、両方のテーブルを閉じて、プロジェクトを保存します。
次に、立ち退きとリソースのインジケーター テーブルを国勢調査地区に結合し、各地区におけるそれぞれのパーセンテージを取得します。
コンテンツ ウィンドウの整理
これで、インジケーターに必要なすべてのデータが揃ったので、データを結合する前に [コンテンツ] ウィンドウをすばやく整理します。 レイヤーを整理しやすくするために、グループ レイヤーを作成します。
- [コンテンツ] ウィンドウで、Ctrl キーを押して、[NYC Census Tracts] 以外のレイヤーをすべてクリックして同時に選択します。
- 選択したレイヤーのいずれかを右クリックして、[グループ] を選択します。
これにより、選択したすべてのレイヤーが [新しいグループ レイヤー] というグループにグループ化されます。
- [新しいグループ レイヤー] という名前を 1 回クリックして選択し、もう一度クリックして編集可能にします。
- 名前には、「Working Data」と入力します。
次に、インジケーター データを結合します。
インジケーター テーブルを国勢調査地区に結合
スタンドアロン テーブルには、[TreePixels]、[EvictionsIndicator]、および [ResourcesIndicator] の 3 つのインジケーターがあります。 この情報を国勢調査地区に取り込むには、3 つの結合方法を実行して、インジケーター テーブルのフィールドを国勢調査地区に追加します。
- [コンテンツ] ウィンドウで、[NYC Census Tracts] を右クリックし、[テーブルの結合とリレート] をポイントして、[結合] を選択します。
- [テーブルの結合] ツールで、次のパラメーターを入力します。
- [入力テーブル] で、[NYC Census Tracts] を選択します。
- [入力フィールド] で、[GEOID [GEOID]] を選択します。
- [結合テーブル] で、[TreePixels] を選択します。
- [結合フィールド] で、[GEOID] を選択します。
- [すべての入力レコードを保持] をオンのままにします。
- [結合方法] で、[1 対 1 の結合] を選択します。
- [OK] をクリックします。
マップ上では何も起こりませんが、属性は [NYC Census Tracts] テーブルに追加されます。 他の 2 つの結合を完了し、テーブルを探索します。
次に、[EvictionsIndicator] テーブルと [ResourcesIndicator] テーブルで結合を繰り返します。
- [NYC Census Tracts] レイヤーの [テーブルの結合] ツールを開いて、次のパラメーターを入力します。
- [入力テーブル] で、[NYC Census Tracts] を選択します。
- [入力フィールド] で、[GEOID] を選択します (結合したため、たくさんありますが、どれを選んでも構いません)。
- [結合テーブル] で、[EvictionsIndicator] を選択します。
- [結合フィールド] で、[GEOID] を選択します。
- [結合方法] で、[1 対 1 の結合] を選択します。
- [すべての入力レコードを保持] をオンのままにします。
- [実行] をクリックします。
最後に、[WomensResources] テーブルを国勢調査地区に結合します。
- [NYC Census Tracts] レイヤーの [テーブルの結合] ツールを開いて、次のパラメーターを入力します。
- [入力テーブル] で、[NYC Census Tracts] を選択します。
- [入力フィールド] で、[GEOID] を選択します (結合したため、たくさんありますが、どれを選んでも構いません)。
- [結合テーブル] で、[WomensResources] を選択します。
- [結合フィールド] で、[GEOID] を選択します。
- [結合方法] で、[1 対 1 の結合] を選択します。
- [すべての入力レコードを保持] をオンのままにします。
必要なすべてのテーブルを [NYC Census Tracts] レイヤーに結合しました。 次に、結合したレイヤーを独自のフィーチャクラスにエクスポートし、その過程でフィールドをクリーンアップします。
国勢調査地区のエクスポート
[NYC Census Tracts] レイヤーには、現在 4 つのテーブルが結合されています。 前に結合で行ったように、レイヤーを独自のデータ ソースにエクスポートします。
- [コンテンツ] ウィンドウで、[NYC Census Tracts] を右クリックし、[データ] をポイントして [フィーチャのエクスポート] を選択します。
- [フィーチャのエクスポート] ツールで、[出力フィーチャクラス] のパラメーターを「Indicators」に変更します。
データを結合すると、多くのフィールドが 1 つのテーブルに追加されるため、データをより明確にするために、一部のフィールド エイリアスを削除するか、または名前を変更した方が良い場合もあります。 次に、データをエクスポートする前に、フィールドをクリーンアップします。
- [フィールド] を展開し、[フィールドのエイリアスを名前として使用] をオンにして、[編集] をクリックします。
[フィールド プロパティ] ウィンドウが表示されます。 探索的解析のフィールドのみを保持し、インジケーター フィールドの名前を変更します。
- 必要に応じて、フィールド セクションの横にある垂直区切り線をポイントし、フィールド エイリアス全体が表示されるようにサイズを変更します。
- [フィールド] セクションで、[What's the median income for women?] をクリックします。 [プロパティ] セクションの [エイリアス] に、「Median Income Women」と入力します。
- 同じワークフローを使用して、次の各フィールドのエイリアスを次のように変更します。
- [Are women earning more than men?] を「Pay Equity」に変更します。
- [Is there an abortion ban? Yes or No] を「Abortion Ban」に変更します。
- [Are child marriages legal? Yes or No] を「Child Marriages」に変更します。
- [Percent White Women] を「 White Women」に変更します。
- [Percent Black Women] を「Black Women」に変更します。
- [Percent American Indian or Alaska Native Women] を「AIAN Women」に変更します。
- [Percent Asian Women] を「Asian Women」に変更します。
- [Percent Native Hawaiian or Other Pacific Islander Women] を「 NHOPI Women」に変更します。
- [Percent Mixed Race Women] を「Mixed Race Women」に変更します。
- [Percent Hispanic or Latino Women] を「Hispanic or Latino Women」に変更します。
- [EducationForWomen] を「Education」に変更します。
- [WomenAtReproductiveAge] を「 Women at Reproductive Age」に変更します。
- [PctTreeCanopy] を「Tree Canopy」に変更します。
- [PERCENTAGE (EvictionsIndicator.PERCENTAGE)] を「Evictions」に変更します。
- [PERCENTAGE (ResourcesIndicator.PERCENTAGE)] を「Gender Based Resources」に変更します。
次に、不要ないくつかのフィールドを削除します。
- [フィールド] リストで、[Total Female Population for Education] をクリックし、[削除] ボタンをクリックします。
- 同様に、次のフィールドを削除します:
- [Women getting a Bachelor's Degree or higher]
- [Total Female Population for reproductive health]
- [Women at reproductive age 15 to 44]
- [OK] をクリックして [フィールド プロパティ] ウィンドウを閉じ、もう一度 [OK] をクリックして、エクスポートを実行します。
インジケーター レイヤーがマップと [コンテンツ] ウィンドウに表示されます。
- インジケーター レイヤーの属性テーブルを開いて、フィールド ヘッダーとして使用されている更新されたエイリアスが表示されるまで右にスクロールします。
エクスポート中にエイリアスを変更すると、テーブルを解釈しやすくなりました。 これで、Tracts レイヤーで使用できるすべてのインジケーターが揃いました。 これらのインジケーター フィールドは、シンボル表示、ラベリング、クエリ、および分析に使用できます。
テーブル内の座標からポイント レイヤーを作成し、立ち退きと女性のリソースをマッピングしました。 立ち退きポイントと女性のリソース ポイントの周囲に 0.5 マイルのバッファーを作成し、それらのバッファーを使用して各変数のインジケーターを作成しました。 また、複数の結合を実行して、すべてのインジケーターを国勢調査地区レイヤーに取り込み、独自のフィーチャクラスにエクスポートしました。 作成した 2 つのインジケーター テーブルは近接性を測定しますが、その理由は大きく異なります。 立ち退きのパーセンテージが高いことは、人々が強制的に住宅を奪われていることを表すため、望ましいことではありませんが、この問題に悩まされている地域を明らかにすることには意義があります。 一方、女性のリソースへのアクセスは、これらの地域で女性が手厚くサポートされていることを示しているため、好ましい測定値です。 次に、立ち退きテーブルと女性のリソーステーブルを国勢調査地区に結合し、探索的データ解析を使用して、データのリレーションシップをさらに詳しく調べます。
チャートとシンボルを使用してデータを探索
すべての指標が 1 つのレイヤーにまとめられたので、散布図マトリックス内の変数を調べて、それらのリレーションシップをより深く理解します。 分析を実行する際に重要なのは、計算が完了した後に結果データを評価することです。 こうすることで、データセットのデータ分布に偏りがないかを判断できます。偏りがある場合は分析に影響を及ぼす可能性があり、最も正確な分析結果を得るために追加の調整やメソッドを実施する必要があるかどうかを知ることができます。
インジケーター データの探索
散布図マトリックスを作成して、各インジケーターのリレーションシップを比較します。 正と負の相関関係、およびそれらの相関関係の度合いや強さを判断するのに便利な方法です。
- [コンテンツ] ウィンドウで [Indicators] レイヤーを右クリックし、[チャートの作成] をポイントして [散布図マトリックス] を選択します。
[チャート プロパティ] ウィンドウと空のチャート ウィンドウが表示されます。 [チャート プロパティ] ウィンドウでプロパティを設定すると、チャートはチャート ウィンドウに自動的に表示され、更新されます。
- [変数] セクションで、[選択] をクリックします。
[Indicators] レイヤーの属性のリストが表示されます。 散布図マトリックスの場合、少なくとも 3 つの変数を選択する必要があります。 調査したい変数の 1 つは [Median Income] ですが、リストに表示されていません。
- [Indicators] レイヤーのフィールド ビューを開きます。
- [Median Income Women] フィールドを見つけて、その [データ タイプ] を表示します。
[Median Income Women] フィールドにはある種の [テキスト] があります。 散布図マトリックスにテキスト フィールドをプロットすることはできないため、数値フィールドを追加して計算し、収入値を保存する必要があります。
- このチュートリアルで実行したスキルを使用して、[エイリアス] が「Womens Median Income」、[データ タイプ]が [Double] である「WomensMedianIncome」というフィールドを追加します。
- [Median Income Women] フィールドに基づいて、「WomensMedianIncome」を計算します。
計算中の警告は無視できます。
- [チャート プロパティ] ウィンドウで、[選択] をクリックします。
- 変数リストで、[Pay Equity]、[Education]、[Womens Median Income] のチェックボックスをオンにします。
選択した変数が表示されます。
変数が散布図マトリックスに表示されます。
- [トレンド] で、[トレンド ラインの表示] をクリックします。
各変数の傾向を示すトレンド ラインが表示されます。
- [マトリックス レイアウト] セクションの [左下] で [散布図] が選択されていることを確認し、[右上] でドロップダウン メニューをクリックして [Pearson の相関係数] を選択します。
散布図マトリックスを使用すると、1 つのチャートで多くのリレーションシップを調べることができます。 選択した変数間の 2 変量リレーションシップを視覚化します。 次に、白人女性、黒人女性、ラテン系女性の経済的成果のリレーションシップを探ります。
- [チャート プロパティ] ウィンドウの [変数] で、[選択] をクリックし、[White Women]、[Black Women]、[Hispanic or Latino Women] のチェックボックスをオンにします。
これらのミニ プロットには、リレーションシップの強さと方向に対応する異なる色で r 値が表示されます。
次に、ミニ プロットを並べ替えます。
- [チャート プロパティ] ウィンドウの [並べ替え] セクションで、[並べ替え] ドロップダウン メニューをクリックし、[Pearson の相関係数] を選択します。 [ターゲット フィールド] には [Womens Median Income] を選択し、[並べ替え方向] には [降順] を選択します。
通常、値は +1 から -1 の間になります。 散布図マトリックスでは、次の 3 つのリレーションシップに注目します。
- 正の相関関係、値は +1 に近くなります。
- 相関関係はなく、値は 0 に近くなります。
- 負の相関関係、値は -1 に近くなります。
3 つのプロットは、それぞれ 0.8、0.55、0.6 という値で強い正のリレーションシップを示しています。 次に、それぞれのリレーションシップの変数を調べます。
- チャートで、Pearson の r 値が [0.8] のボックスをクリックします。
散布図マトリックスにて、[Education] と [Womens Median Income] に対応する散布図の枠線が表示されます。
値が 0.8 のプロットは、[Education] と [Womens Median Income] の変数間のリレーションシップを表しています。 教育が進むにつれて収入も増加すると予想されます。
- r 値が [0.55] のボックスをクリックします。
[White Women] 変数のプロットの枠線が表示されます。 白人女性と収入中央値の間には強い正のリレーションシップがあり、白人女性の割合が増加すると、収入中央値も増加します。
- r 値が 0.6 のボックスをクリックします。
[White Women] と [Education] の変数間のリレーションシップを示すプロットの枠線が表示されます。 チャートによると、白人女性の割合が増加するにつれて、学士号以上の学位を持つ女性の割合も増加します。 次に、黒人女性にも同様のリレーションシップがあるかどうかを調べます。
- チャートで、[-0.26] と [-0.32] の r 値のボックスをクリックします。
[Black Women] のプロットが強調表示され、黒人女性と収入、教育のリレーションシップは負の相関関係であることが分かります。そのため、これら 2 つのグループの割合が増加すると、収入と教育は両方とも減少します。
- ヒスパニック系またはラテン系の女性と収入、教育とのリレーションシップを調べるには、r 値 [-0.43] と [-0.47] をクリックします。
ヒスパニック系またはラテン系女性と収入、教育のリレーションシップは負の相関関係を示しています。そのため、これら 2 つのグループの割合が増加すると、収入と教育は両方とも減少します。
- r 値が [-0.63] のボックスを選択します。
選択されたプロットは、黒人女性と白人女性の割合のリレーションシップを表しています。つまり、一方のグループの割合が増加すると、もう一方のグループの割合は減少します。 したがって、これら 2 つのグループが同じ地域によく住んでいない可能性が高くなります。
- マップ以外の開いているウィンドウをすべて閉じます。 [チャート プロパティ] ウィンドウを閉じてプロジェクトを保存します。
Pearson の r 値を含む散布図マトリックスを使用してデータを調査しました。 これらの指標をインデックスで使用する場合は、それらが結果にとって重要であるかどうか、および/または指標がインデックスの焦点であるかどうかを考慮することになるでしょう。 たとえば、インデックス値の計算に人種および/または民族を含めることはできませんが、これらの要素を使用してインデックスを細分化することはできます。 次に、別の例として、賃金の平等について考えます。 賃金の平等は、女性と男性カウンターパートの間の所得の派生変数です。 賃金の平等は、男女平等が収入によってどのように測定されるかについて優れた知見を提供しますが、現在の指標セットを含むインデックスでは、それを除外する必要があるかもしれません。 変数としてすでに収入中央値があります。 さらに、これらのトピック領域を拡張し、経済に収入中央値、賃金の平等、その他のいくつかのデータ ポイントなどのサブインデックスを設定することを検討すると、より効果的になります。
インジケーターをマップする
散布図マトリックスを使用してインジケーター データを調査し、変数について理解したので、2 変量シンボルを使用して [Indicators] レイヤーを表示します。 教育と収入のリレーションシップ マップを作成します。 リレーションシップ マップは、2 つの変数間の視覚的なリプレゼンテーションを示します。 これにより、複数の次元における指標の相互作用を確認することができます。これは、超多様性またはインターセクショナリティと呼ばれることがよくあります。
- [コンテンツ] ウィンドウで、[Indicators] レイヤーを右クリックして [シンボル] をクリックします。
[シンボル] ウィンドウが表示されます。
- [プライマリ シンボル] でドロップダウン メニューをクリックして、[2 変量色] を選択します。
- [フィールド 1] で [Education] を選択します。
- [フィールド 2] で [Womens Median Income] を選択します。
- [方法] で [等量分類] が選択されていることを確認します。
- [グリッド サイズ] では、[3 x 3] が選択されていることを確認し、[ピンク、青、紫] の配色を維持します。
次に、アウトラインの色を変更します。
- [テンプレート] で既存の色をクリックします。
- [プロパティ] タブをクリックします。 [アウトライン色] で、既存の色をクリックし、[グレー 30 パーセント] を選択します。
- [アウトライン幅] については現在の値を「0.2」pt に変更します。
- [適用] をクリックします。
これは、教育と収入中央値の低さから高さまでのリレーションシップをシンボル化します。 女性の教育と収入中央値の両方が高い地域は紫色で表示されます。 この地域は主にマンハッタンと、ブルックリンの一部です。
- レイヤーの名前を「Education x Median Income for Women」に変更します。
- プロジェクトを保存します。
探索的データ分析のための 2 つの方法、チャートとマッピングを完了しました。 チャートを使用すると、リレーションシップの強さを調査し、インデックスから除外する指標を特定できます。 通常、これらは相関性の高い指標であり、インデックス値を歪める可能性があります。 視覚化をマッピングすると、複数の指標のパターンを確認できるようになります。これは、社会プロセスを理解するための鍵となります。
このチュートリアルでは、人種的平等と社会正義に対する地理的アプローチを導入し、それを指標の開発に適用しました。 教育、賃金、収入のデータを取得するために、American Community Survey のデータを使用してインジケーター レイヤーを準備しました。 また、ポリゴン区域内のピクセルに基づいて画像を再分類し、樹冠を計算する方法も学習しました。 次に、性別に基づくリソースへのアクセスを調べるために、近接性に基づいた指標を開発しました。 最後のステップは、インデックスを歪める可能性のある相関性の高い指標を識別するために使用できる探索的データ分析を実行することでした。
この指標開発手法は、世界中の他の関心領域に適用でき、コミュニティ固有のデータも含めることができます。 独自の指標を準備する場合は、長期目標、結果、対象集団に固有のデータ処理と指標を使用します。 探索的データ分析の詳細については、このブログ投稿で確認できます。
他のチュートリアルについては、チュートリアル ギャラリーをご覧ください。