Mehr

Kann der QGIS-Tabelleneditor ähnliche Ergebnisse wie Pivot-Tabellen in Excel erzielen?


Ist es möglich, ähnliche Ergebnisse wie bei Pivot-Tabellen im QGIS-Tabelleneditor zu erzielen, um nur QGIS anstelle mehrerer Softwarelösungen zu verwenden? Oder gibt es vielleicht einige Plugins, die diese dynamischen Ergebnisse erzielen können?


Der dynamische Teil ist ohne Aktionen oder Trigger (oder eine andere Problemumgehung) nicht wirklich machbar - das ist einer der Hauptunterschiede zwischen einer Datenbank und einer Tabellenkalkulation. Es gibt jedoch ein Plugin für QGIS, das Pivot-Tabellenfunktionen namens GroupStats bereitstellt.

Als Nebenbemerkung für jeden Arc-Benutzer, der darauf stößt, verfügt ArcGIS über ein Pivot-Tabellenwerkzeug auf der erweiterten Lizenzstufe.


Verwenden des Data->Pivot-Tabellenberichts. bietet genau das, wonach Sie fragen. Möglicherweise müssen Sie die "Neue Google Tabellen".
Ich verwende das als Standardeinstellung und es war einfach, das zu erreichen, was Sie wollten, ähnlich wie in Excel.

Hier in meiner Antwort erkläre ich, wie Sie die neuen Tabellenkalkulationen aktivieren.

Anscheinend habe ich das Problem nicht ganz verstanden.

Zuerst brauchen wir den Monat. Fügen Sie dazu eine neue Spalte hinzu, um das Datum mit =MONTH(DATE_COLUMN) zu extrahieren.

Erstellen Sie dann einen Pivot-Bericht:


Erstellen und Bearbeiten von mehrdimensionalen Tabellen mit Standortdaten mithilfe von OLAP-Cubes

Abbildung 1.Erstellen von OLAP-Cubes in SPSS.Klicken Sie auf das Bild für eine größere Ansicht.


Abbildung 2.Entwerfen des OLAP-Cube-Layouts mit dem Pivot-Tabellen- und Pivot-Diagramm-Assistenten in Excel.Klicken Sie auf das Bild für eine größere Ansicht.


Abbildung 3.In SPSS erstellte anfängliche Pivot-Tabelle.Klicken Sie auf das Bild für eine größere Ansicht.

Abbildung 4.In Excel erstellte anfängliche Pivot-Tabelle.

Schwenkbar
Das Pivotieren oder Drehen ändert die Perspektive bei der Präsentation der Daten für den Benutzer. Die folgenden Abbildungen (12-14) zeigen verschiedene Perspektiven nach dem Pivotieren der identischen Ausgangstabelle. Alle drei Abbildungen zeigen mehrdimensionale Tabellen. Alle zeigen die gleichen Informationen in a Das arithmetische Mittel der durchschnittlichen Wohnungswerte für die Gebiete mit niedriger Arbeitslosenquote, hohen Wohnungswerten und niedrigem Haushaltseinkommen in Annapolis County ist beispielsweise dasselbe: 98.985,00 $.

Abbildung 12.OLAP-Würfel nach der Drehung: die erste Perspektive .Klicken Sie auf das Bild für eine größere Ansicht.


Abbildung 13.OLAP-Würfel nach der Drehung: die zweite Perspektive .Klicken Sie auf das Bild für eine größere Ansicht.


Abbildung 14.OLAP-Würfel nach der Drehung: die dritte Perspektive .Klicken Sie auf das Bild für eine größere Ansicht.


3 Möglichkeiten, einen Kalender in Excel zu erstellen

Es gibt drei Möglichkeiten, einen Kalender in MS Excel zu erstellen.

  1. Verwenden von Microsoft-Codes
  2. Kalender manuell erstellen
  3. Verwenden einer Kalendervorlage

Sehen wir uns diese Schritte im Detail an.

Microsoft bietet eine Programmiersprache zum Erstellen eines Kalenders in Excel. Sie müssen jedoch mindestens Microsoft Office 2007 oder die neueste Version verwenden, damit dies funktioniert. Hier sind die Schritte, die Sie befolgen sollten:

• Starten Sie eine neue Arbeitsmappe.
• Sie sehen oben im Menüband eine Entwickleroption. Wählen Sie Visual Basic aus.
• Es gibt eine Einfügen-Option im Menü. Wählen Sie dort Modul aus.
• In Visual Basic finden Sie einen Anwendungscode. Kopieren Sie diesen Code in Ihr Modulblatt.
• Gehen Sie zum Menü Datei und klicken Sie auf Schließen, gefolgt von Zurück zu Microsoft Excel.
• Wählen Sie die Registerkarte Sheet1 in der unteren linken Ecke.
• Wählen Sie Makros aus der Entwickler-Multifunktionsleiste und gehen Sie zu CalendarMaker. Wählen Sie Ausführen. Damit ist der Kalender abgeschlossen.
• Fügen Sie einen Titel hinzu und Sie haben den Kalender fertig.

Dies ist ein etwas längerer Prozess, aber sobald Sie ihn abgeschlossen haben, werden Sie viel über Excel lernen. Folgendes müssen Sie tun:

• Erstellen Sie ein neues Arbeitsblatt und markieren Sie die Spalten A1 bis G7.
• Verwenden Sie die Registerkarte Start, um die Breite der Spalten zu formatieren. Beginnen Sie mit der Auswahl der Option Zelle und dann Spaltenbreite formatieren, gefolgt von der Eingabe von 18 in das Dialogfeld.
• Sie sollten auch die Zeilenhöhe formatieren. Befolgen Sie die gleichen Schritte wie oben. Wählen Sie Zeilenhöhe formatieren und geben Sie 75 in das Dialogfeld ein. Für A1 sollte die Höhe 118 betragen. Für A2 ändern Sie die Höhe in 30.
• Jetzt sollten Sie die Ränder und die Ausrichtung einstellen. Markieren Sie A1 bis G7. Wählen Sie Querformat unter Seitenausrichtung. Wählen Sie außerdem Benutzerdefinierte Ränder und geben Sie für jedes Feld 0,25 ein. Folgen Sie dem gleichen Muster für die linken und rechten Feldboxen. Geben Sie 0 in die Felder Kopf- und Fußzeile ein. Wählen Sie Vertikal und Horizontal.
• Heben Sie A2 bis G7 hervor, um die Seiteneinrichtung und den Rand des Kalenders zu definieren. Wählen Sie im Abschnitt Rahmen die Option Alle Grenzen aus. Geben Sie dann die Wochentage von A2 bis G2 ein. Stellen Sie sicher, dass Sie sie vertikal und horizontal zentrieren. Markieren Sie nun A1 bis G1 und wählen Sie Zusammenführen und zentrieren.
• Füge einen Titel hinzu. Der Kalender ist jetzt einsatzbereit.

Sie können eine Kalendervorlage verwenden, wenn Sie keinen Kalender manuell erstellen möchten.

• Starten Sie ein neues Arbeitsblatt und gehen Sie zu Datei. Wählen Sie Neu. Wenn Sie das Suchfeld sehen, geben Sie Kalender ein. Wählen Sie aus den Vorlagen einen Monats- oder Jahreskalender aus.

• Nachdem Sie die Vorlage ausgewählt haben, wird eine Tabelle mit Monaten, Jahr und dem ersten Tag der Woche angezeigt. Ändern Sie diese Zellen, wenn Sie den Kalender anpassen möchten.

• Geben Sie Ihrem Kalender einen Titel, indem Sie auf die Titeloption doppelklicken.

• Glückwunsch! Sie haben jetzt einen brandneuen Kalender in Excel.

Einen Kalender in Excel zu erstellen ist keine schwierige Aufgabe. Weitere Informationen zu allen Themen rund um Excel aus einer professionellen Quelle finden Sie unter excelhelp.com/blog.


9.4 Veröffentlichungstrends

Eines der ersten Dinge, die wir normalerweise mit Patentdaten tun möchten, besteht darin, Trends abzubilden, sei es bei Erstanmeldungen, Veröffentlichungen oder Familienmitgliedern. Im Fall unserer Pizzapatente von Patentscope haben wir ein einzelnes Mitglied eines Dossiers von Dateien, die mit einer bestimmten Anmeldung verknüpft sind. Diese Daten sind für Demonstrationszwecke geeignet und wir können leicht Trends für diese Daten abbilden.

Dazu ziehen wir einfach das Erscheinungsjahr in den Dimensionen in das Spaltenfeld und die Anzahl der Datensätze aus dem Kennzahlenfeld. Beachten Sie, dass Tableau automatisch die Anzahl der Zeilen in einem Satz zählt, um dieses Feld zu erstellen. Wenn Sie mit Daten arbeiten, bei denen genaue Zählungen wichtig sind, ist es wichtig sicherzustellen, dass die Daten vor dem Start in das entsprechende Feld dedupliziert wurden. Dies trifft in diesem Fall zwar nicht zu, aber ein weiterer wichtiger Tipp besteht darin, immer eine Möglichkeit zu haben, die Schlüsselanzahl in Tableau zu überprüfen, wie z. B. die Verwendung von schnellen Pivot-Tabellen in Excel oder Open Office. Darüber müssen wir uns jetzt keine Gedanken machen, aber obwohl Tableau eine clevere Software ist, ist es immer noch Software: Es führt Berechnungen nicht immer so aus, wie Sie es erwarten. Aus diesem Grund ist eine Gegenprüfung der Zählungen ein sinnvoller, wenn nicht sogar wesentlicher Bestandteil eines Tableau-Workflows.

Tableau wird erraten, wonach wir suchen und ein Diagramm zeichnen.

Wie wir sehen, haben wir jetzt einen Graphen, der bei Annäherung an die Gegenwart von einer Klippe stürzt und eine Null enthält. Nullwerte sind normalerweise Zeilen oder Spalten, die leere Zellen enthalten. Wenn nur 1 Nullwert vorhanden ist, können die Daten wahrscheinlich unverändert bleiben (in diesem Fall war es eine leere Zeile am unteren Rand des Datensatzes, die während der Bereinigung in R eingefügt wurde). Es lohnt sich jedoch, Nullen zu überprüfen, indem Sie mit der rechten Maustaste auf die Datei in Daten klicken und Daten anzeigen auswählen. Wenn viele Nullen vorhanden sind, müssen Sie möglicherweise zurückgehen und die Daten überprüfen und sicherstellen, dass leere Zellen mit NA-Werten gefüllt sind. Kehren wir zu unserer Grafik zurück.

Was wir hier sehen, ist die Datenklippe, die bei Patentdaten üblich ist. Das heißt, die Klippe stellt keinen radikalen Rückgang der Verwendung des Begriffs Pizza dar, sondern einen radikalen Rückgang der Verfügbarkeit von Patentdaten, je näher wir uns der Gegenwart nähern. Der Grund dafür ist, dass es in der Regel als grobe Faustregel etwa 24 Monate dauert, bis eine Anmeldung veröffentlicht wird und Patentdatenbanken länger brauchen können, um aufzuholen. Daher spiegelt unsere Datenklippe einen Mangel an verfügbaren Daten in den letzten Jahren wider, nicht einen Mangel an Aktivität. Normalerweise müssen wir uns etwa 2 bis 3 Jahre zurückziehen, um einen Eindruck vom Trend zu gewinnen.

Bevor wir weitermachen und die Achse anpassen, ändern wir die Grafik in etwas attraktiveres. Dazu wählen wir den gefüllten Graphen im schwebenden Panel aus. Hinter diesem Panel befindet sich ein kleiner Farbknopf, mit dem wir eine Farbe auswählen können, die uns gefällt. Der Grund dafür, dass wir dies vor dem Anpassen der Achse tun, besteht darin, dass Tableau beim Ändern des Grafiktyps alle an der Achse vorgenommenen Änderungen rückgängig macht.

Als nächstes klicken wir mit der rechten Maustaste auf die x-Achse (untere Achse) und passen den Zeitrahmen auf einen sinnvolleren Zeitraum wie 1980 bis 2013 an, indem wir die feste Option auswählen. Als sehr grobe Faustregel gilt, dass ein Zurückziehen von zwei oder drei Jahren von der Gegenwart die Datenklippe aus dem Mangel an veröffentlichten Patentinformationen beseitigt. Beachten Sie, dass der Rückgang früher und viel steiler wäre, wenn wir Erstanmeldungen (Patentfamilien) zählen. Diese Lag-Effekte und Möglichkeiten, mit ihnen umzugehen, wurden vom OECD-Team für Patentstatistiken eingehend untersucht, siehe insbesondere Arbeiten zu Nowcasting-Patentdaten.

Wir haben jetzt einen gut aussehenden Graphen mit einer vernünftigen Achse. Beachten Sie hier, dass wir aus Gründen der Übersichtlichkeit möglicherweise ein einfaches Liniendiagramm bevorzugen, wenn wir mehrere Trends in demselben Diagramm (Familie und Familienmitglieder) grafisch darstellen.

Wir geben diesem einen Namen Trends und fügen ein neues Arbeitsblatt hinzu, indem wir auf das Symbol neben unserem vorhandenen Arbeitsblatt klicken.

Als nächstes möchten wir wissen, wer die aktivsten Bewerber sind. Dies wird auch Probleme mit den verschiedenen Akteuren aufdecken, die den Begriff Pizza im Patentsystem verwenden, und uns ermutigen, darüber nachzudenken, wie wir die Daten aufschlüsseln können, um genauere Informationen über Technologien zu erhalten, die uns interessieren könnten, z Kartons, Pizzakartons und Pizzakartons mit Musik, insbesondere.

An dieser Stelle wird die Arbeit, die wir in einem früheren Artikel zur Aufteilung einzelner Bewerbernamen in ihre eigenen Reihen und zur Bereinigung mit Open Refine geleistet haben, wichtig. In diesem Datensatz sind wir mit VantagePoint noch einen Schritt weiter gegangen, um Einzelpersonen von Organisationen zu trennen. Diese Informationen befinden sich im Feld Bewerberorganisationen im Datensatz. Lassen Sie uns das einfach als Zeile auf dem Arbeitsblatt ablegen und dann die Anzahl der Datensätze als Spalte hinzufügen (Tipp, einfach auf das Blatt legen).

Auf den ersten Blick sieht alles ziemlich gut aus. Aber jetzt müssen wir unsere Bewerber einstufen. Dazu wählen wir in der Menüleiste das kleine Icon mit einem nach unten zeigenden gestapelten Balken aus.

Wir sehen nun, wie in der Excel-Rohdatei, dass es in den zugrunde liegenden Daten eine erhebliche Anzahl leerer Einträge für Bewerber gibt, gefolgt von 85 Datensätzen für Google und 77 für Microsoft. Dies ist auch ein sehr guter Indikator dafür, dass das Wort Pizza im Patentsystem möglicherweise mehrfach verwendet wird, es sei denn, diese Softwareunternehmen haben begonnen, Pizzas online zu verkaufen.

In Wirklichkeit ist das eine Teilansicht der Aktivität von den Bewerbern, weil die Namen an anderer Stelle in den Daten miteinander verkettet sind. Dies ist normalerweise offensichtlicher als im vorliegenden Datensatz durch das Vorhandensein mehrerer Namen, die durch getrennt sind (um dies zu sehen, scrollen Sie nach unten zum ersten Eintrag für Unilever).

Um zu verstehen, warum dies eine Teilansicht ist, importieren wir jetzt die Datei "bewerber.csv". Der richtige Weg, dies zu tun, ist, das Menü mit dem Namen Daten dann Neue Datenquelle und die Datei Bewerber.csv auszuwählen.

Ziehen Sie als Nächstes alle Bewerberorganisationen auf die Zeilen. Beachten Sie, dass Tableau diese Titel für uns interpretiert (das Original ist "bewerber_orgs_all" ). Ziehen Sie dann Number of Records aus den Dimensionen auf das Blatt oder in den Spalteneintrag. Wählen Sie nun das gestapelte Balkensymbol wie oben, um die Bewerber nach der Anzahl der Datensätze zu ordnen. Wir werden nun folgendes sehen.

Beachten Sie den Unterschied zwischen dem ursprünglichen Bewerberfeld (in dem Google insgesamt 85 Datensätze bewertet hat) und unserem getrennten und bereinigten Feld, in dem Google jetzt 191 Datensätze bewertet. Kurz gesagt, vor den Trennungs- und Reinigungsübungen sahen wir in unserem Datensatz von Google nur 44 % der Aktivitäten mit dem Begriff Pizza. Das heißt noch lange nicht, dass sie ins Online-Pizza-Geschäft eingestiegen sind… . Was es uns sagt, ist, dass eine Patentanalyse, die die verketteten Daten nicht trennt oder aufteilt und Namensvarianten bereinigt, über 60% der Geschichte fehlt, wenn man sie in Bezug auf die Anmelderaktivität betrachtet. Wie dies deutlich macht, sind die Gewinne durch das Trennen oder Aufteilen und Bereinigen von Daten enorm, selbst wenn die Originaldaten, wie in diesem Fall, ziemlich „sauber“ erschienen. Dieser Anschein täuschte.

Jetzt haben wir einen klareren Überblick darüber, was mit unseren Bewerbern passiert, und können dies attraktiver machen. Wählen Sie dazu zuerst den blauen Balken im schwebenden Bedienfeld aus. Das Arbeitsblatt wird nun als Rangleisten angezeigt. Ziehen Sie als Nächstes die Anzahl der Datensätze von Measures auf die Schaltfläche Label neben Color . Das sieht ziemlich gut aus. Wenn wir noch einen Schritt weiter gehen wollten, könnten wir jetzt zum Dimensionsfenster wechseln und Bewerberorganisationen alle auf die Schaltfläche Farbe ziehen. Die Balken nehmen nun für jeden Bewerber eine andere Farbe an. Wenn dies zu hell ist, greifen Sie einfach das grüne Feld Bewerberorganisationen Alle aus dem Schaltflächenmenü und verschieben Sie es in Richtung Dimensionen, um es zu entfernen. Wenn wir schließlich die rechte Ausrichtung des Textes nach links anpassen möchten, klicken Sie zuerst mit der rechten Maustaste auf den Namen einer Firma, wählen Sie Format, dann Ausrichtung und links. Während die Standardeinstellung rechtsbündig ist, erzeugt die linksbündige Ausrichtung in der Praxis besser lesbare Beschriftungen. Um die Standardeinstellung zu ändern, tun Sie dies mit dem ersten Arbeitsblatt, das Sie erstellen, bevor Sie andere erstellen.

Wir haben jetzt eine Bewerberdatentabelle, die je nach ästhetischem Empfinden so aussieht.

In dieser Phase möchten wir vielleicht ein paar Maßnahmen ergreifen. Um die Beschriftungen besser sichtbar zu machen, ziehen Sie die Linie zwischen den Namen und den Spalten nach rechts. Dadurch wird etwas Platz geschaffen. Denken Sie als Nächstes darüber nach, lange Namen auf etwas Kurzes zu reduzieren. Etwas zu lang ist zum Beispiel die International Business Machines Corporation, die auch nicht für Pizzen bekannt ist. Klicken Sie mit der rechten Maustaste auf den Namen und wählen Sie Alias ​​bearbeiten wie in der Abbildung unten.

Bearbeiten Sie nun den Namen in IBM. Als Tipp: Wenn Sie feststellen, dass Sie bei der Bereinigung einen doppelten Namen übersehen haben (denken Sie daran, dass wir uns bei der Datenbereinigung eher auf gut als auf perfekt konzentrieren), können Sie auch zwei Zeilen markieren, mit der rechten Maustaste klicken und nach einem Ablageclip-Symbol suchen look und gruppieren Sie zwei Einträge zu einem neuen Namen. Die resultierende benannte Gruppe muss jedoch in allen späteren Analysen verwendet werden. Es ist auch wichtig zu wissen, dass die Datenbereinigung keine Stärke von Tableau ist. Bei Tableau geht es um Datenanalyse und -exploration durch Visualisierung. Verwenden Sie zur Datenbereinigung ein Tool wie Open Refine.


Diskussion

Die Studie sollte die Auswirkungen einer mobilen Tür-zu-Tür-Impfstrategie auf den Zugang und die Nutzung von Impfungen in schwer zugänglichen Gebieten ermitteln. Insgesamt deuten die Ergebnisse darauf hin, dass die mobile Impfstrategie den Zugang zu und die Nutzung von Impfdiensten in schwer zugänglichen Gebieten verbessert hat. Da die Hälfte der Unterbezirke an Tansania grenzt, gibt es aufgrund der porösen Grenzen immer die grenzüberschreitende Migration, die das ganze Jahr über stattfindet (plus „walk-in“-Kunden aus der wandernden Bevölkerung im benachbarten Narok County) aufgrund der porösen Grenzen, die in einigen Fällen auch erklären können die hohe Abdeckung (über 100 %) bei den mobilen Impfdiensten [30].

Die Impfrate für Geburtsdosen (OPV 0 und BCG) und Masern/Röteln in den 64 Einrichtungen lag unter dem nationalen Ziel von 90 % für die empfohlenen Dosen im Alter von 2 Wochen für die beiden Zeiträume, was auf einen suboptimalen Zugang zu Impfdiensten hindeutet. Dieses Ergebnis steht im Einklang mit anderen Studien, die in städtischen und informellen Umgebungen/Slums durchgeführt wurden [9, 13]. Trotz Fortschritten bei der Entwicklung von Impfstoffen und Impfsystemen weltweit haben Bevölkerungen in ländlichen, städtischen und sozialen – wirtschaftlich schwer – Umgebungen oft nur begrenzten oder keinen Zugang zu lebensrettenden Impfstoffen, wodurch sie einem erhöhten Risiko für Morbidität und Mortalität im Zusammenhang mit Impfstoffen ausgesetzt sind – vermeidbar Erkrankung. Es gibt Hinweise darauf, dass eine verstärkte Kartierung und Überwachung aller schwangeren Frauen und der unter 1-jährigen Bevölkerung durch die kommunalen Gesundheitsstrategieeinheiten sicherstellen kann, dass die Bevölkerung Zugang zu qualifizierten Gesundheitsdiensten für Mütter, Neugeborene und Kinder hat [10, 31, 32]. Dies erfordert daher eine gezieltere Planung und kombinierte Ansätze im Einklang mit der Global Immunization Vision and Strategy (GIVS) der „Verwendung einer Kombination von Ansätzen, um alle Zielgruppen für die Immunisierung zu erreichen“ [33] in diesen Gemeinschaften, um Neugeborene für die Impfung mit Geburtsdosen zu verfolgen ( bis zu 2 Wochen) gemäß dem Routineimpfplan [34].

Diese Studie ergab große Unterschiede (über 10 % Unterschied zwischen den beiden Vergleichsmonaten und den anderen Monaten gemäß der Überalterungsabdeckung des Landkreises) bei der Pentavalent-3-Abdeckung, der Masern-/Röteln-1-Abdeckung und den vollständig immunisierten Kindern in den beiden Zeiträumen. Dies deutet darauf hin, dass es eine große Bevölkerung gibt, die von den routinemäßigen Einrichtungen – basierenden festen Impfdiensten in den Einrichtungen – nicht erreicht wird. Bei der Umsetzung von REC-Strategien müssen Einrichtungen und Interessenträger die nachhaltigen Maßnahmen überdenken, die die routinemäßigen festen Impfdienste in Einrichtungen ergänzen können, um alle berechtigten Bevölkerungsgruppen mit Impfungen zu erreichen. Unbequeme Zeitpläne, Zeitbeschränkungen zwischen den täglichen sozioökonomischen Engagements gegen die Inanspruchnahme von Impfdiensten in Gesundheitseinrichtungen wurden an anderer Stelle als Schlüssel für die Inanspruchnahme von Impfdiensten dokumentiert [35]. Bei der Mikroplanung für Impfdienste ist mehr Gewicht erforderlich, um sicherzustellen, dass die Einrichtungen ihre Herausforderungen und lokalen Lösungen erkennen, einschließlich der Planung regelmäßiger Outreach-Programme, um diese bedürftige Bevölkerung mit Impfdiensten zu erreichen [28, 36].

Diese Studie zeigte auch große Unterschiede zwischen den Drop-Outs von Pentavalent 3 und Masern/Röteln zwischen den beiden Zeiträumen in den Einrichtungen mit 13,8 bzw. 24,3%. Dies ist ein Hinweis darauf, dass es in dieser Population ein größeres Problem gibt, dass Kinder die Impfserie abschließen. Dieses Ergebnis ähnelt einer Studie, die in 12 Hochrisiko-Gesundheitseinrichtungen im Kongo durchgeführt wurde [8]. Es müssen innovative Strategien entwickelt werden, um verpasste Chancen für Impfdienste zu minimieren. Diese können die Überprüfung der MCH-Broschüre/-Aufzeichnungen bei jeder Gelegenheit unter 5 in der Einrichtung anwesenden Kindern und die Integration von Impfdiensten in die Ambulanzen umfassen, um Drop-outs zu minimieren [31, 37].

Kommunikation und gesellschaftliches Engagement sind Schlüsselelemente einer erfolgreichen Impfstoffverabreichung [10, 12, 31, 37, 38, 39]. Gesundheitseinrichtungen verlassen sich häufig auf freiwillige Gesundheitshelfer in der Gemeinde, um mit der Öffentlichkeit über Impfdienste zu kommunizieren. Es gibt Belege dafür, dass die gemeindenahe Leistungserbringung durch Gemeindegesundheitspersonal die Gesundheitsversorgung von Müttern, Neugeborenen und Kindern verbessern kann, einschließlich der Inanspruchnahme von Impfungen in ländlichen, schwer erreichbaren Gebieten [32, 37, 40]. Die Interessenvertretung bei lokalen traditionellen und religiösen Führern, der Informationsaustausch mit Gemeinden und der Aufbau von Gemeindemobilisierungsnetzwerken mit Unterstützung von Gemeinde-„Torwächtern“ können dazu beitragen, die gefühlten Bedürfnisse der Gemeinden zu beleuchten und Vertrauen zwischen der Gemeinde und dem Impfprogramm aufzubauen.

Diese Ergebnisse werfen Fragen zur Wirksamkeit der Reaching Every Child (REC)-Strategie, der wichtigsten Strategie zur Umsetzung des Impfstoffprogramms, in Migori auf. REC wurde umfassend in ländlichen, städtischen und sozialen – wirtschaftlich schwer – zu erreichenden Umgebungen evaluiert [7,8,9, 12, 13, 41, 42] und stützt sich auf 5 Komponenten: Planung und Management von Ressourcen, Erreichen der Zielgruppen, Verknüpfung von Diensten mit Gemeinden, unterstützende Überwachung und Überwachung von Maßnahmen zur Verbesserung der Impfung. [39]. Die Verknüpfung von Dienstleistungen mit Gemeinden in städtischen und sozialen – wirtschaftlich schwer – zu erreichenden Umgebungen stellt aufgrund des Migrationscharakters der Bevölkerung für das Überleben eine Herausforderung dar. Darüber hinaus ist die Verwendung von Daten zur Information über die Standortbestimmung von mobilen Einsätzen zum Erreichen der Zielgruppen eine Schwachstelle, die in den Einrichtungen festgestellt wurde. Die Wirksamkeit von REC hängt von einer klaren Abgrenzung der zu versorgenden Gemeinde und ihrer Einzugsgebiete für Mobilisierung, Planung und Überwachung ab. Die Verwendung von Impfleistungsdaten der Einrichtung, um Bereiche in der Gemeinde mit ungeimpften/unerreichten Kindern zu identifizieren, kann Aufschluss darüber geben, wo die begrenzten Ressourcen investiert werden sollten, um die Durchimpfungsrate zu verbessern und die Wirkung zu maximieren.

Unsere Ergebnisse zeigen auch, dass mehrere REC-Strategien und die gezielte Unterstützung von Einrichtungen oder Stationen mit schlechten Durchimpfungsraten und hohen Abbrüchen die Leistung der Unterbezirke über dem WHO-Ziel von 80 % halten können [17]. Insbesondere bei Masern-Impfungen – wenn man bedenkt, dass eine Abdeckung von nahezu 90 % für die Herdenimmunität als notwendig erachtet wird, müssen zusätzliche Maßnahmen, einschließlich Kindergesundheitstage/-wochen, Integration der Impfung in andere Gesundheitsaktivitäten für Kinder und ergänzende Impfmaßnahmen und -kampagnen, praktikable ergänzende Optionen sein um die Durchimpfungsrate in diesen speziellen Bevölkerungsgruppen zu verbessern [43].

Die Autoren erkennen die Grenzen dieser Studie an. Dazu gehören die geringe Zahl von Verbindungseinrichtungen, die Tür-zu-Tür-Dienste anbieten, und die kurzen Intervalle für den Vergleich der Ergebnisse. Bei der Verwendung von DHIS2-Daten treten wahrscheinlich Qualitätsprobleme auf (Pünktlichkeit, Genauigkeit und Vollständigkeit). Das Projektteam unterstützte jedoch die Unterbezirksteams bei der Durchführung von Überprüfungen bei einzelnen Gesundheitseinrichtungen, bevor sie in das Gesundheitsinformationssystem aufgenommen wurden. Die von den MOH-Abteilungen zugewiesenen EPI-Ziele der Einrichtung sind reine Schätzungen auf der Grundlage verfügbarer demografischer Daten, die möglicherweise nicht sehr genau sind, sodass die Leistung gemäß den Ergebnissen für einige der Antigene über 100 % liegen kann.


Verwenden der Excel Services-REST-API

Obwohl wir unserer Seite ein weiteres EWA-Webpart hinzufügen könnten, um die zugrunde liegenden Daten für unser Diagramm anzuzeigen, würde dies unnötigen Overhead verursachen, da wir keine Interaktivität mit den Daten benötigen. Ungeachtet unseres unbestrittenen Engagements, jederzeit eine optimale Leistung zu gewährleisten, besteht ein weiterer wirklich guter Grund, kein zweites EWA-Webpart hinzuzufügen, darin, uns die Gelegenheit zu geben, die neue REST-API zu erkunden, die mit Excel Services 2010 ausgeliefert wird.

Excel Services-REST-API-Syntax

Die REST-API bietet, wie bereits erwähnt, einen einfachen Mechanismus für den Zugriff auf Inhalte in Excel-Arbeitsmappen, die mit Excel Services veröffentlicht wurden. Tatsächlich hängt der Zugriff auf Daten mit einem REST-ful-Service davon ab, die richtige URL zu verwenden, und für die Excel Services-REST-API lautet das URL-Format http://<RootUrl>/_vti_bin/ExcelRest.aspx/<Filename>/model/<Selector>? <Parameter>.

Root-URL

Der RootUrl-Wert enthält die URL der SharePoint-Website, die die Arbeitsmappe enthält. In unserem Fall ist dies http://localhost/Chapter12.

Dateiname

Der Wert Dateiname enthält den relativen Pfad zur Excel-Arbeitsmappe. In unserem Fall ist dies Excel Workbooks/Last30DaysSales.xlsx. Da wir jedoch eine URL erstellen, müssen wir den Speicherplatz in Excel-Arbeitsmappen codieren. Dieser Wert wird dann zu Excel%20Workbooks/Last30DaysSales.xslx.

Wähler

Der Selector-Wert ist der Punkt, an dem der Spaß in der REST-URL beginnt. Lassen Sie uns kurz demonstrieren, wie es funktioniert.

Wenn Sie die folgende URL in einen Webbrowser eingeben, wird eine Seite mit den im Modell verfügbaren Datentypen angezeigt:

Wie Sie sehen, sind im Fall von Excel die verfügbaren Typen Bereiche, Diagramme, Tabellen und PivotTables.

Sie können den Selektorwert aufbauen, indem Sie zunächst entscheiden, an welcher Art von Daten Sie interessiert sind. In unserem Fall sind es Charts. Geben Sie die folgende URL in einen Webbrowser ein, um eine Liste der verfügbaren Diagramme anzuzeigen:

Aus den zurückgegebenen Daten können Sie erkennen, dass unsere Arbeitsmappe nur ein Diagramm enthält, Diagramm 1. Erstellen wir einen Selektor für die Diagramm 1 Objekt. Geben Sie im Browser die folgende URL ein:

Beachten Sie, dass dies einfach angibt, dass Sie möchten Diagramm 1 von dem Diagramme Sammlung. Auch hier ist das Leerzeichen im Namen Chart 1 kodiert, da wir eine URL erstellen. Diesmal zeigt der Browser ein Portable Network Graphics (PNG)-Bild an, das unser Diagramm darstellt.

Parameter

Der Parameterwert ermöglicht es uns, im Rahmen unserer Anfrage Werte an Excel Services zu übergeben. Zum Beispiel definiert unsere Arbeitsmappe einen benannten Bereich namens Währungscode. Der Wert von Währungscode wird verwendet, um den Diagrammtitel zu erzeugen, also durch Ändern Währungscode Als Teil unserer REST-URL ändert sich auch unser Diagrammtitel. Um dies in Aktion zu sehen, geben Sie im Browser die folgende URL ein:

Sie können sehen, dass das Diagramm mit einem Etikett erstellt wurde, das lautet: Verkäufe der letzten 30 Tage in MyCurrencyCode.

Abrufen einer Pivot-Tabelle mit REST

Nachdem Sie nun verstanden haben, wie eine REST-URL generiert werden kann, lassen Sie uns dieses Wissen sinnvoll nutzen, indem wir eine URL erstellen, die wir verwenden können, um Daten aus unserer PivotTable auf unserer Beispielsite-Startseite aufzunehmen.

Wenn wir die folgende URL in den Browser eingeben, erhalten wir einen 404-Fehler:

Bevor wir mithilfe der REST-API auf Elemente zugreifen können, müssen wir sicherstellen, dass wir die entsprechenden Metadaten vom Excel-Client veröffentlicht haben. Sie werden sich erinnern, dass wir keine der PivotTables in unserer Liste der Elemente ausgewählt haben, und deshalb sehen wir jetzt einen 404-Fehler.

Wechseln Sie zurück zur Excel-Clientanwendung. Bevor wir unsere PivotTables veröffentlichen, geben wir ihnen nützliche Namen. Wechseln zu Blatt3 und klicken Sie dann auf eine beliebige Stelle in der PivotTable.

Aus der PivotTable Werkzeuge Registerkarte, wählen Sie die Optionen Speisekarte. In dem PivotTable Abschnitt, in der PivotTable-Name Geben Sie ChartData wie abgebildet ein:

Wechseln zu Blatt1 und geben Sie den Namen der PivotTable als SourceData ein.

Wir werden eine zusätzliche PivotTable hinzufügen, um unsere Verkaufszahlen zusammenzufassen. Fügen Sie ein neues Arbeitsblatt mit dem Namen Sheet4 hinzu. Fügen Sie eine neue PivotTable ein, die . verwendet SourceDataTable als seine Datenquelle.

Bestelldatum als a . hinzufügen Zeilenlabel und SelectedCurrencyValue als a Wert.

Klicken Sie mit der rechten Maustaste auf das Summe von SelectedCurrencyValue Spaltenüberschrift, und wählen Sie dann Wertfeldeinstellungen. In dem Benutzerdefinierter Name Geben Sie im Textfeld Gesamtumsatz ein.

Benennen Sie die neue PivotTable TotalSalesData.

Drücke den Datei Menü, um in den Backstage-Bereich zu gelangen, und klicken Sie dann auf In Excel Services veröffentlichen Knopf im Teilen Sektion.

Drücke den Excel Services-Optionen -Taste und wählen Sie dann Alle Pivot-Tabellen in dem Elemente in der Arbeitsmappe Sektion.

Speichern Sie die Arbeitsmappe, um die Metadaten zu aktualisieren.

Wir können nun im Browser folgende URL eingeben und sehen eine HTML-Darstellung unserer Chartdaten:

Verwenden von REST-generierten Kontakten innerhalb einer Webpartseite

Nachdem wir nun eine URL haben, besteht der nächste Schritt darin, diese auf unserer Homepage zu verwenden. Der einfachste Weg, zusätzliche Inhalte auf der Seite einzufügen, ist die Verwendung von a PageViewer Webpart.

Von dem SiteActions Menü, wählen Seite bearbeiten.

Klicken Hinzufügen eines Webparts in dem Recht Webpartzone, und wählen Sie dann die Seitenbetrachter Webpart aus dem Medien und Inhalte Kategorie.

Stellen Sie die Verknüpfung Eigentum der Seitenbetrachter Webpart an die REST-API-URL für unsere TotalSalesData Pivot-Tabelle.

Klicken OK um die Änderungen zu übernehmen, und klicken Sie dann auf Bearbeitung beenden von dem Seite Multifunktionsleiste, um zum Ansichtsmodus zurückzukehren.

Wir haben jetzt eine Benutzeroberfläche für unsere Verkaufsdaten erstellt, die es Benutzern ermöglicht, Daten nach Gebiet zu filtern. Neben der Verwendung des EWA-Webparts haben wir auch Inhalte, die mit der REST-API generiert wurden, auf unserer Seite über a eingefügt Seitenbetrachter Webpart. Alle in der Benutzeroberfläche angezeigten Elemente werden basierend auf Daten aus einer externen Datenquelle dynamisch generiert. Wenn sich die zugrunde liegenden Daten ändern, wird die Benutzeroberfläche automatisch aktualisiert, um diese Änderungen widerzuspiegeln. Denken Sie daran, dass wir bisher keine einzige Codezeile geschrieben haben.


Schlüsselwörter

Amir Sakka ist ein Ph.D. Student an der Universität Toulouse 1 Capitole (Frankreich). Seine Forschungsinteressen sind Business Intelligence, multidimensionale raumzeitliche Datenbanken und Gruppenentscheidungsunterstützungssysteme GDSSs. Derzeit arbeitet er an kollaborativem analytischem Datenbankdesign, OLAP für freiwillige geografische Informationen, Gruppenunterstützungssystemen und Anforderungsengineering in Data Warehouses. Er ist Autor von Artikeln und Beiträgen auf nationalen und internationalen Konferenzen zu diesen Themen.

Sandro Bimonte ist Forscher am INRAE, genauer gesagt am TSCF. Er erhielt seinen Ph.D. von INSA-Lyon, Frankreich (). Von dort aus forschte er bei IMAG, Frankreich. Er ist Redaktionsmitglied des International Journal of Decision Support System Technology und des International Journal of Data Mining, Modeling and Management und Mitglied der Commission on GeoVisualization der International Cartographic Association. Seine Forschungsaktivitäten umfassen räumliche Data Warehouses und räumliches OLAP, visuelle Sprachen, geografische Informationssysteme, raumzeitliche Datenbanken und Geovisualisierung.

Stefano Rizzi erhielt seinen Ph.D. 1996 von der Universität Bologna, Italien. Seit 2005 ist er ordentlicher Professor an der Universität Bologna. Er hat mehr als 150 Artikel in internationalen referierten Zeitschriften und Konferenzen hauptsächlich in den Bereichen Data Warehousing, Business Intelligence und Mustererkennung sowie ein Forschungsbuch zum Data Warehouse Design veröffentlicht. Er ist Mitglied des Lenkungsausschusses von DOLAP. Er nahm am H2020 TOREADOR-Projekt und an mehreren nationalen Forschungsprojektverträgen mit Unternehmen teil. Seine aktuellen Forschungsinteressen umfassen Data Warehouse Design und Business Intelligence, insbesondere OLAP auf NoSQL-Daten, Social Business Intelligence und Analysedienste für Big Data.

Lucile Saut ist Dozent am Institute of Technology for Life, Food and Environmental Sciences (AgroParisTech, Montpellier, Frankreich). Ihr Forschungsinteresse gilt dem Design von Informationssystemen und Datenbanken in verschiedenen Bereichen: Ökologie, Landwirtschaft oder Wasserwirtschaft.

François Pinet erhielt seinen Ph.D. in Informatik im Jahr 2002 (INSA Lyon). Derzeit ist er Forschungsdirektor am INRAE. Sein Forschungsgebiet sind Umweltinformationssysteme. Er ist Mitglied in mehreren wissenschaftlichen Gremien verschiedener internationaler Konferenzen und Zeitschriften auf diesem Gebiet. Dr. Pinet ist Co-Autor von über 100 Artikeln in internationalen Zeitschriften und war an zahlreichen nationalen und internationalen IT-Projekten beteiligt. Er war Mitorganisator mehrerer Konferenzen und Workshops zu Informationssystemen. Zusammen mit Petraq Papajorgji ist er Chefredakteur des International Journal of Agricultural and Environmental Information Systems.

Michela Bertolotto hat einen Ph.D. in Informatik an der Universität Genua (Italien). Anschließend arbeitete sie am National Center for Geographic Information and Analysis, University of Maine (USA). Derzeit ist sie Fakultätsmitglied der School of Computer Science am University College Dublin (Irland). Ihre Expertise liegt in Geographic Information Science (GIScience). Ihre Hauptforschungsinteressen umfassen raum-zeitliche Datenmodellierung, Crowd-Sourced räumliche Datenanalyse, LiDAR und Bilddatenintegration. Michela hat als Programm-/Lenkungsausschussmitglied bei allen wichtigen Veranstaltungen in GIScience gedient. Sie ist Mitherausgeberin des International Journal of Geographical Information Science und Mitglied des Editorial Boards des Journal of Spatial Information Science und des ISPRS International Journal of Geo-Information.

Aurélien Besnard (Ph.D.) untersucht Faunenpopulationen auf mehreren räumlichen und zeitlichen Skalen. He analyses especially biological data from citizen science to improve biodiversity integration in human activities (e.g., conservation policies, landscape management, agri-environmental schemes, wind energy industry, etc.).

Nora Rouillier has a degree in agronomy from Bordeaux Science Agro. Currently, she is the national coordinator of the Farmland Biodiversity Observatory (FBO). She coordinates the network and makes the link between the administrative pole, the research pole and the field. She also oversees the projects and partnerships of the FBO.


Results

Of the total 175 malaria cases diagnosed in the study townships, the 171 (98%) cases resided within the townships were included in the study. The mean (standard deviation) age of cases was 26 (17) years, 122 (71%) were males, 163 (95%) were from Toungup township and 156 (91%) resided in the rural areas. Rapid diagnosis test (RDT) was used for diagnosis of malaria in 159 (93.0%) patients, 124 (73%) were diagnosed either by basic health staff or community volunteers and 134 (78%) had been infected with Plasmodium falciparum. The demographic and diagnosis related details of study participants is given in Table 1.

The comprehensive case investigation (CCI) was conducted in 157 (92%) of the malaria cases and 138 (88%) cases were indigenous cases and 69 (50%) of indigenous cases got infection outside their village but within the township (Fig. 2). Among investigated cases, 63 (40%) had occupational risk, 38 (24%) had history of malaria in last 3 years, 78 (50%) travelled to malaria transmission area within one month before fever and 35 (22%) did not use bed nets. The median (inter quartile range) time to diagnosis was 3 (2-6) days from the onset of fever, 127 (81%) had delayed diagnosis and 136 (87%) received treatment according to national treatment guideline (NTG) (Table 2). The Table 3 shows the individual characteristics associated with delayed diagnosis. Males (PR-1.27 (95% CI-1.03-1.56)) compared to females, patients diagnosed at hospital (PR-1.29 (95% CI-1.09-1.53)) compared to those diagnosed in community and the indigenous but outside the village (PR-1.35 (95% CI-1.15-1.60)) compared to cases indigenous to villages had significantly higher risk of delayed diagnosis.

Flowchart on coverage of case investigation and delay time to diagnosis among diagnosed and resident malaria cases

The Fig. 3 shows the spot map of all the malaria cases residing in the township, stratified by the type of species. There were no cases infected by Plasmodium falciparum in the Ramree and Munaung townships. In the Toungup township, the cases were distributed on the foothills. The heat map (Fig. 3) showed aggregation (red area) of cases on the foothills in northern and southern borders of the Toungup township.

Spot map (stratified by type of species) and heat map of malaria

The Fig. 4 has two maps depicting the equal area grids (4 square kilometer) with at least one case indigenous to village or one case imported outside village or outside the township. The girds with indigenous cases within the villages were present only in the Toungup township and was limited over the foothills in northern and southern borders. The grids with cases imported outside the villages or outside the townships were present in all the townships and were not confined to specific region in Toungup township. There were 28 grids with indigenous cases and 43 grids with imported cases outside the village or township.

Maps depicting the equal size grids (4 square kilometre) with at least one indigenous (left) or imported (right) malaria cases

The Fig. 5 shows the hotspots with heterogeneity of malaria case distribution in all the three seasons. The hotspots are located only in Toungup township across the three seasons. During the summer, the hotspots were located over the foothill in northern and southern borders of the township. During rainy season, the hotspots increased in size and spread across the foothill of the township. During the winter, small hotspot was located only over foothills in the central part of the township.

Hot spots of malaria cases during different seasons


Author information

Affiliations

Research School of Population Health, College of Medicine, Biology and Environment, The Australian National University, Canberra, ACT, Australia

Kinley Wangdi, Cathy Banwell, Gerard C. Kelly & Archie CA Clements

Phuentsholing General Hospital, Phuentsholing, Bhutan

School of Public Health & Social Work, Queensland University of Technology, Brisbane, QLD, Australia

Vector-borne Disease Control Programme, Department of Public Health, Ministry of Health, Gelephu, Bhutan


Schau das Video: Excel Pivot Tabelle - FELDEINSTELLUNGEN PIVOT - super easy. einfach u0026 simple. 100% professionell (Oktober 2021).