Труба в R: підключення функцій за допомогою Dplyr
У цьому підручнику ви дізнаєтесь, як об’єднати функції разом за допомогою оператора каналу dplyr мовою програмування R.
У цьому підручнику ми навчимося робити Huff у LuckyTemplates. Ми можемо використовувати цей аналіз, щоб оцінити потенційні продажі або привабливість певного місця розташування магазину. Зазвичай ми робимо це в програмному забезпеченні Геоінформаційної системи. Однак ми також можемо зробити це в LuckyTemplates і зробити його динамічним.
Гравітаційний аналіз Хаффа припускає, що площа супермаркету в квадратних метрах, поділена на відстань до потенційних клієнтів у квадраті, дасть коефіцієнт привабливості, який відрізняється від інших магазинів. Це також покаже ймовірність у відсотках для відвідувачів.
Припущення базується на тому, що чим більше квадратних метрів магазину, тим більше буде асортименту та наявності інших елементів обслуговування. Таким чином, магазин може залучити клієнтів подорожувати на більшу відстань.
У цьому прикладі було використано відстань проїзду (центроїд поштового індексу до магазину).
Ми також можемо використовувати відстань по прямій лінії. Однак у цьому випадку кордони розділяє річка. Таким чином, відстань по прямій лінії не є надійною.
В ідеалі ми використовуємо менші території, такі як мікрорайони. Це лише для демонстрації. Ми можемо додати більше параметрів, щоб вплинути на ймовірність, як-от місце для паркування, громадський транспорт, а також використовувати методологію для інших аналізів.
Ми також можемо додати коефіцієнт зменшення відстані , щоб зменшити ефект відстані. Люди готові подорожувати далі, купуючи меблі, ніж за щоденними продуктами.
Зміст
Дані аналізу моделі гравітації Хаффа
Спочатку давайте подивимося на дані.
У цій електронній таблиці Excel є шість супермаркетів.
Він також містить кілометри , які містять відстань у вигляді прямої лінії.
Потім є вкладка «Час у дорозі» , яка відображає час у дорозі в хвилинах.
А це відстань. Ми будемо використовувати це, враховуючи той факт, що між кордонами є річка.
Це полігон Тіссена , створений у програмному забезпеченні ГІС. Тут ми можемо створити так званий об’єкт Тіссена Вороного , щоб показати вам відстань від точки до кожного з інших суміжних об’єктів.
Імпортування даних у Power Query Editor
Спочатку я імпортував дані в.
Як бачите, я взяв п’ять супермаркетів.
Тут також є два набори даних під назвами Postcodes Areas PQ і Postcodes Areas DAX .
Я скопіював це, щоб показати вам, як це зробити в редакторі Power Query із повністю динамічними показниками.
Для демонстрації Power Query ( Postcodes Areas PQ ) я округлив широту та довготу. Я завжди раджу, що якщо ви берете чотири цифри за комою, ваша точність буде близько 11 метрів, що, безумовно, достатньо.
Я також обчислив квадрат кожної відстані. Це відбувається тому, що, як я вже згадував раніше, ми збираємося використати поверхню в квадратних метрах і розділити її на квадрат відстані.
Потім я об’єднав її з іншою таблицею ( таблицею населення ), щоб отримати населення. Це зроблено для того, щоб отримати більше інформації про населення в областях з поштовими індексами.
Для даних вимірювань ( Області поштових індексів ) я також зробив те саме, наприклад округлив широту та довготу, і знову об’єднав їх із таблицею населення .
Тепер це інформаційна панель LuckyTemplates аналізу моделі гравітації Хаффа.
Це таблиці мір, які я розділив.
Аналіз моделі гравітації Хаффа на основі привабливості
Перший розрахунок, який я створив, це «Привабливість» .
Привабливість — це квадратні метри магазину, поділені на відстань у квадраті . Цей магазин має площу 1502 квадратних метри.
Це стовпець квадрата відстані . У цьому прикладі я взяв. Я міг би взятиабо середній, але це не має значення, враховуючи контекст.
Я зробив цей розрахунок для всіх п’яти супермаркетів.
Потім я склав їх у показник TotalAT , щоб обчислити загальну суму.
Імовірність в аналізі моделі гравітації Хаффа
Наступною мірою є ймовірність .
Імовірність – це просто те, наскільки ймовірно подія відбудеться. Щоб обчислити це, слід визначити одну подію з єдиним результатом. Потім визначте загальну кількість результатів, які можуть виникнути. Нарешті, розділіть кількість подій на кількість можливих результатів.
Тому в цьому розрахунку я розділив привабливість на загальну привабливість .
Ці цифри складуть сто відсотків.
Існує також показник кількості населення з об’єднаного набору даних, який підсумовує чисельність населення на основі областей поштового індексу.
Потім міра максимальної ймовірності .
Ця картка відображає це.
Нарешті, у мене є міра ймовірності вибраного магазину . Я використав цей показник, щоб визначити ймовірність будь-якого вибраного магазину в моєму виборі.
Давайте тепер обговоримо, як це працює.
Імовірнісний аналіз
На карті я взяв кордони як поштові індекси. Я взяв чотиризначний поштовий індекс.
Ось таблиця з імовірністю вибраного магазину .
Ця маленька карта показує фактичне розташування п’яти супермаркетів.
Я можу зробити вибір на основі поштових індексів магазинів із слайсера.
Ця маленька карта ( 5 Stores Rotterdam ) не фільтрує карту Choropleth (ESRI) ліворуч. Це лише для того, щоб дати нам підказку, де ми знаходимося на карті Хороплета. Крім того, це допомагає нам згодом побачити вплив на головній карті.
Як бачите, чим темніший колір, тим вищий % ймовірності для вибраного магазину.
Наприклад, я виберу це місце або супермаркет.
Якщо я перевірю цю область на карті, вона відобразить ймовірність цього магазину з огляду на відстань у квадраті. Зверніть увагу, що це залежить від відстані проїзду.
Максимальна ймовірність для цього вибору становить 95% на цій картці.
Ця частина відображає включені поштові індекси та ймовірність зниження. Що менший відсоток, то ймовірніше, що їхній поштовий індекс буде ближче до іншого супермаркету.
Наприклад, якщо я клацну цей, буде показано, що ймовірність дорівнює 0% .
Очевидно, що люди в цьому районі живуть на верхній частині супермаркету під індексом 3011 . Тож навіщо їм йти до іншого?
Ця частина показує фактичну поверхню магазину для довідки.
З іншого боку, це відображає загальну сукупність у межах вибору.
Динамічний аналіз гравітації Хаффа
Тепер, коли я закінчив з основами гравітаційного аналізу Хаффа, я піду далі й обговорю, як я можу зробити цю динаміку.
В даному випадку я створив п'ять слайсерів з початковими квадратними метрами і варіантами збільшення площі магазину .
Решта кроків дуже схожі на попередній крок. Тепер я маю набагато більше заходів, тому що нам потрібно обчислити щось динамічне. Я зробив кроки окремо, щоб зробити це більш проникливим.
Динамічний аналіз сили тяжіння Хаффа на основі площі магазину
Давайте подивимося на привабливість квадратного метра. Я виберу міру привабливості супермаркету 3011 .
Квадратні метри будуть посилатися на вибране значення в розділювачі 3011 .
Змінна distsq представляє квадрат відстані, отриманий із набору даних DAX для областей поштових індексів .
У цьому розрахунку значення квадратних метрів буде поділено на значення квадрата відстані.
Знову ж таки, я зробив це для всіх п’яти супермаркетів.
Динамічний аналіз гравітації Хаффа на основі відстані
Я також розрахував відстань для цього аналізу. По суті, це лише сума стовпця відстані до магазину в наборі даних DAX для зон поштових індексів .
Вибране сховище посилається в розрахунку «Відстань ПК – вибране сховище» за допомогою функції Dax.
Крім того, у мене є ще одна ймовірнісна міра для аналізу динамічної гравітації Хафф.
Це динамічно, тому що якщо ми щось змінимо в одному зі зрізів, це згодом вплине на результат обчислення.
Я пройшов усі ці етапи та розрахунки для аналізу динамічної сили тяжіння. Це тому, що мене цікавить відсоток населення, кількість поштових індексів і включена відстань на основі мого вибору з налаштованого зрізу.
Як бачите, є досить велика різниця в населенні. Вони базуються на відстані до супермаркету та кількості населення в межах поштових індексів.
Для прикладу зміню квадратні метри супермаркету 3011 .
Якщо це змінити, вплив стане очевидним у даних. Це пов’язано з тим, що для людей привабливіше зайти в центр і їхати туди, враховуючи відстань їзди.
Висновок
Аналіз моделі Huff Gravity Model показує кореляцію між заступництвом і віддаленістю від місця розташування магазину. Отже, привабливість і відстань можуть впливати на ймовірність відвідування споживачем певного магазину.
Ця модель може допомогти вам визначити прогноз продажів для місцезнаходження підприємства. Включення цього аналізу у вашу бізнес-модель може надати багато інформації про потенційні сайти.
Знову ж таки, це ще один яскравий приклад того, чого ми можемо досягти за допомогою аналізу та LuckyTemplates, перетворюючи статичні дані на динамічне представлення.
Перегляньте посилання нижче, щоб отримати додаткові приклади та відповідний вміст.
здоров'я!
Павло
У цьому підручнику ви дізнаєтесь, як об’єднати функції разом за допомогою оператора каналу dplyr мовою програмування R.
RANKX від LuckyTemplates дозволяє повернути рейтинг певного числа в кожному рядку таблиці, який є частиною списку чисел.
Дізнайтеся, як розібрати файл PBIX, щоб витягти теми та зображення LuckyTemplates із фону та використовувати їх для створення звіту!
Шпаргалка формул Excel: Посібник середнього рівня
Календарна таблиця LuckyTemplates: що це таке та як ним користуватися
Дізнайтеся, як інсталювати мову програмування Python у LuckyTemplates і як використовувати її інструменти для написання кодів і відображення візуальних елементів.
Дізнайтеся, як обчислювати динамічну маржу прибутку за допомогою LuckyTemplates і як ви можете отримати більше інформації, глибше досліджуючи результати.
Дізнайтеся, як правильно сортувати поля зі стовпців розширеної таблиці дат. Це хороша стратегія для складних полів.
У цій статті я поясню, як знайти найпопулярніші продукти для регіону за допомогою обчислень DAX у LuckyTemplates, включаючи функції TOPN і CALCULATE.
Дізнайтеся, як використовувати вимірювання сміття для позначок низької потужності, які ви хочете ефективно включити у свою модель даних.