1.3 กระบวนการทางวิทยาการข้อมูล

การสำรวจข้อมูล (explore the date) เป็นการทำความเข้าใจรูปแบบ และค่าของข้อมูล โดยเราจะต้องรวบรวมข้อมูล แล้วนำข้อมูลที่รวบรวมมาพล็อต (plot) ทำให้เป็นภาพ (visualizations) หรือแผนภูมิ (charts) เพื่อให้มองเห็นความหมายที่ซ่อนเร้นอยู่ของข้อมูลผ่านกราฟ ซึ่งอาจพบความผิดปกติของข้อมูลได้ โดยนำเสนอในรูปแบบเส้นกราฟแนวโน้ม หรือ แผนภูมิแท่งในการนำเสนอข้อมูล เครื่องมือพื้นฐานในการสำรวจข้อมูล เช่น กราฟเส้น ฮิสโทแกรม แผนภาพกล่อง หรือแผนภาพกระจาย โดยสามารถอธิบายรายละเอียดได้ดังต่อไปนี้

ภาพที่   1 กราฟเส้น
ที่มา, https://unsplash.com/photos/5gGcn2PRrtc/, Markus Spiske

1. กราฟเส้น (Line Graphs) คือ การนำเสนอโดยกราฟเส้นจะเป็นที่นิยมใช้กันมากใช้กับข้อมูลอนุกรมเวลา (Time Series Data) ซึ่งแสดงการเปลี่ยนแปลงลำดับก่อนหลังของเวลาที่ข้อมูลนั้นเกิดขึ้นและมีจำนวนมาก เป็นการสร้างที่ง่าย อาจเป็นเส้นตรงหรือเส้นโค้งก็ได้ ขึ้นอยู่กับลักษณะข้อมูลที่มีอยู่ ใช้เปรียบเทียบระหว่างหลายรายการในระยะยาว

2. ฮิสโทแกรม (Histogram) คือกราฟแท่งแบบเฉพาะที่แสดงความสัมพันธ์ระหว่างข้อมูลเป็นหมวดหมู่ที่เรียกว่าชั้นข้อมูลกับความถี่ของข้อมูล เพื่อดูการกระจายของข้อมูล ลักษณะของข้อมูลที่เป็นหมวดหมู่จะเรียงลำดับจากน้อยไปหามากโดยจำนวนหมวดหมู่ของข้อมูลจะจัดตามความเหมาะสม โดยแกนตั้งจะเป็นตัวเลขแสดง “ความถี่” และแกนนอนจะเป็นข้อมูลคุณสมบัติของสิ่งที่เราสนใจ แท่งกราฟแต่ละแท่งจะมีความกว้างเท่ากันซึ่งเท่ากับกว้างของชั้นข้อมูล ส่วนความสูงของกราฟแต่ละแท่งนั้นจะสูงเท่ากับจำนวนความถี่ของแต่ละชั้นข้อมูล

          ประโยชน์สำคัญของการใช้ฮิสโทแกรมคือการใช้เพื่อวิเคราะห์ความถี่ของข้อมูลแล้วตัดสินใจว่าการแจกแจงหรือการกระจายข้อมูลแบบใดมีผลต่อผลิตภัณฑ์ไปในทิศทางที่ดีหรือไม่และยังสามารถใช้ในการเปรียบเทียบข้อมูลจากการผลิตก่อนและหลังการปรับปรุงและนำมาใช้วิเคราะห์หาความสามารถของกระบวนการผลิต (Process capability) ได้อีกด้วย

ลักษณะของฮิสโตแกรม (Histogram) ที่พบและการแปลผลที่ได้ดังนี้

         1). ฮิสโทแกรมรูปธรรมชาติ (Natural histogram) ถือว่าเป็นลักษณะของข้อมูลดีที่สุด คือเป็นระฆังคว่ำ มีลักษณะสมมาตร มีค่าเฉลี่ยอยู่ตรงกลางและอยู่ภายในขีดจำกัดข้อกำหนดเฉพาะด้านบนและขีดจำกัดข้อกำหนดด้านล่าง

         2). ฮิสโทแกรมที่มีลักษณะเบ้ซ้าย (Negativity skewed histogram) คือยอดกราฟไม่ได้อยู่ตรงกลาง แต่จะเอนไปทางขวามือค่าเฉลี่ยของข้อมูลมีค่าค่อนข้างสูง ในกรณีนี้ตั้งข้อสังเกตได้ว่าอาจเกิดจากการปรับตั้งเครื่องจักรไม่ถูกต้อง

         3). ฮิสโทแกรมที่มีลักษณะเบ้ขวา (Positively skewed histogram) คือยอดกราฟไม่ได้อยู่ตรงกลาง แต่จะเอนไปทางซ้ายมือค่าเฉลี่ยของข้อมูลมีค่าค่อนข้างต่ำ

         4). ฮิสโทแกรมที่มีลักษณะเบ้ซ้าย (Plateau histogram) ข้อมูลที่ค่าใกล้เคียงกันเป็นจำนวนมากอยู่บริเวณตรงกลาง

ฮิสโทแกรมที่มีลักษณะเป็นภูเขา 2 ยอด (Twin peak histogram) ข้อมูลที่เกิดจากการปะปนกันของ 2 การแจกแจงที่มีค่าเฉลี่ยต่างกัน ซึ่งสามารถตั้งข้อสังเกตได้ว่าอาจเกิดจากเครื่องจักร 2 เครื่องที่มีการปรับตั้งค่าการผลิตแตกต่างกัน

3. แผนภาพกล่อง (Box-and-whisker plot หรือ Box plot) เป็นแผนภาพง่าย ๆ แต่มีประโยชน์ในการสำรวจและสรุปลักษณะของข้อมูล แผนภาพกล่องจะแสดงลักษณะที่สำคัญของข้อมูลชุดนั้น ๆ ได้แก่ ค่ากลาง การกระจาย ลักษณะสมมาตรของข้อมูล และข้อมูลผิดปกติ (outliers) แผนภาพกล่อง ประกอบด้วย ค่าควอร์ไทล์ทั้งสามค่าต่ำสุดและค่าสูงสุดในข้อมูลชุดนั้น โดยสร้างเป็นภาพกล่องสี่เหลี่ยมผืนผ้าที่อาจจัดวางตามแนวนอนหรือแนวตั้งก็ได้ ด้านหัวและท้ายของกล่องเป็นค่าควอร์ไทล์ที่ 1 กับค่าควอร์ไทล์ที่ 3 ความยาวของกล่องนี้จึงคลุมข้อมูลกึ่งกลางจำนวนร้อยละ 50 ของทั้งหมด

ภาพที่  2 แผนภาพกล่อง (box plot)

4. แผนภาพการกระจาย (Scatter plot) เป็นเครื่องมือที่ช่วยแสดงความสัมพันธ์ระหว่าง 2 แอททริบิวต์ คือผังที่ใช้แสดงว่าข้อมูล 2 ชุดหรือตัวแปร 2 ตัว มีความสัมพันธ์ซึ่งกันและกัน หรือไม่ และระดับความสัมพันธ์นั้นมีมากน้อยเพียงใด โดยจะทำการหาค่าสหสัมพันธ์ (r) ของทั้ง 2 ตัวแปรที่ แสดงด้วยแกน x และแกน y ของกราฟว่าค่าสหพันธ์เป็นบวกหรือเป็นลบ ซึ่งค่าสหสัมพันธ์เป็นบวกนั่นแสดงว่า ตัวแปรทั้ง 2 ตัวมีแปรตามกัน แต่หากเป็นลบก็แสดงว่า ตัวแปรทั้ง 2 ตัวแปรผกผันต่อกัน โดยที่ ตัวแปร X คือ ตัวแปรอิสระ หรือค่าที่ปรับเปลี่ยนไป ตัวแปร Y คือ ตัวแปรตาม หรือผลที่เกิดขึ้นในแต่ละค่าที่เปลี่ยนแปลงไปของตัวแปร X เช่น เรา อยากทราบว่าขนาดความยาวปีกของคอปเตอร์กระดาษมีผลต่อระยะเวลาที่ลอยอยู่ในอากาศโดยตรงหรือไม่ เรา สามารถใช้แผนภูมิการกระจายเพื่อหาความสัมพันธ์ หรือ รายได้เฉลี่ยต่อครัวเรือน และรายจ่ายเฉลี่ยต่อครัวเรือน ถ้าต้องการสำรวจว่าทั้ง 2 แอททริบิวต์นี้มความสัมพันธ์กันหรือไม่ เป็นต้น

ภาพที่  3 แผนภาพการกระจาย (scatter plot)

5. การสำรวจข้อมูลโดยการเขียนโปรแกรม การสำรวจข้อมูลโดยการเขียนโปรแกรม จะต้องนำเข้าข้อมูลสู่โปรแกรมที่ใช้สำหรับการประมวลผล โดยถ้าข้อมูลมีปริมาณไม่มากในขั้นตอนการเตรียมข้อมูล สามารถเตรียมข้อมูลจากไฟล์ที่อยู่ในรูปแบบ xls หรือ csv ก่อนเริ่มการนำเข้าข้อมูล จากนั้นจึงเลือกใช้การประมวลผลด้วยโปรแกรมสำเร็จรูป หรือการเขียนโปรแกรม แต่หากมีข้อมูลมากกว่าที่โปรแกรมสำเร็จรูปจะสามารถจัดเก็บหรือประมวลผลได้ จำเป็นต้องใช้วิธีการนำเข้าข้อมูลและประมวลผลด้วยโปรแกรมภาษา หรือใช้โปรแกรมสำเร็จรูปเฉพาะงานด้านวิทยาการข้อมูล ซึ่งในกรณีนี้ไม่จำเป็นต้องดำเนินการจัดเตรียมข้อมูลตามขั้นตอนที่กล่าวมาแล้วข้างต้น

          การสำรวจข้อมูล เป็นการทำความเข้าใจรูปแบบ และค่าของข้อมูล โดยเราจะต้องรวบรวมข้อมูล แล้วนำข้อมูลที่รวบรวมมาพล็อตทำให้เป็นภาพ หรือแผนภูมิ โดยใช้เครื่องมือในการสำรวจข้อมูล เช่น กราฟเส้น ฮิสโทแกรม แผนภาพกล่อง แผนภาพการกระจาย การสำรวจข้อมูลโดยการเขียนโปรแกรม เป็นต้น

 แหล่งที่มา

มารุต มูเก็ม.  (2560).  ฮิสโตแกรม สืบค้นเมื่อ 10 มิถุนายน 2563, จาก http://www.mim.psu.ac.th/index.php/2-uncategorised/93-histogram.

สถาบันส่งเสริมการสอนวิทยาศาสตร์และเทคโนโลยี.  (2561).  เทคโนโลยี(วิทยาการคำนวณ) ชั้นมัธยมศึกษาปีที่ 5  กรุงเทพฯ :  โรงพิมพ์แห่งจุฬาลงกรณ์มหาวิทยาลัย.