標準SQLが再帰共通テーブル式に対応したのはSQL:1999からである.今回はSQL Serverの再帰共通テーブル式で連番を作成する.日付の連番も作成してみる.
オーストラリアのジオコーディング
オーストラリアでの住所からのジオコーディングはGeoscape社が担当しており,そのプロジェクト名をG-NAFという.オーストラリア政府から補助金を受けており,2029年まで無料公開されることが決まっている.
データ数は1500万件以上,空間参照系はGDA94(EPSG: 4283)またはGDA2020(EPSG: 7844)である.
今回はSQL Serverでデータベースからテーブル作成,データのインポート,テーブルへの主キーと外部キーの作成までを行う.
社会疫学的指標を考慮した都道府県別の熱中症搬送人員数の予測と実際
都道府県別の熱中症搬送人員数の予測と実際をEXCELの組み合わせグラフで描くでは独立変数として日最高気温,日平均水蒸気圧,65歳以上人口,人口密度を投入し都道府県別の熱中症搬送人員数を予測した.以前の記事ではe-Statからの社会疫学的指標を加えて熱中症搬送人員数を分析した.社会疫学的指標としては日最高気温,日平均水蒸気圧,都道府県人口に加えて過去30日間の平均気温,エアコン保有台数,年間収入のジニ係数,光熱・水道費,実収入,第1次産業就業者比率,第2次産業就業者比率,都市公園数,都市緑化割合,自然公園割合,自然公園数,生活保護被保護人員である.
今回は社会疫学的指標を独立変数として加えた熱中症搬送人員数の予測と実際を示す.
都道府県別の熱中症搬送人員数の予測と実際をEXCELの組み合わせグラフで描く
前回の記事では2019年の都道府県別の熱中症搬送人員数を1枚のグラフで描いた.今回は都道府県別に2008年から2021年までの熱中症搬送人員数の予測と実際をEXCELの組み合わせグラフで描く.
Heat-related mortality: a review and exploration of heterogeneityというレビューでは人口密度が高いほど熱の影響が大きいことが示されている.その理由として高度に設計された環境では蓄熱量が大きく,換気が悪く,自動車やエアコン等の熱源が局在するいわゆる都市のヒートアイランド現象が起きているためであると説明している.
それを受けて,詳細は割愛するが,都道府県総人口をその可住地面積(e-Statより)で割った人口密度を投入してみた.するとその係数は大きさこそ小さいものの,符号は負となり,投入前よりもAICが改善した(488368->478801).人口密度が大きいほど搬送数が減少するという意味である.これはにわかには信じがたい.考えられる理由として,日本においては人口密度の高い都市部ほど空調導入率が高い可能性がある.しかし,空調導入率そのものの指標がないため,検証は困難である.
2019年の熱中症搬送人員数の予測と実際をEXCELの組み合わせグラフで描く
これまでの記事で日最高気温と平均水蒸気圧,各都道府県65歳以上人口および月から熱中症の搬送人員数を予測する回帰式の回帰係数を推定してきた.
今回はその回帰式を元に実際のデータと比較してみたい.対象は2019年の47都道府県とする.
回帰曲線の95%信頼区間をRで求める
前回の記事では熱中症搬送人員数に対する日最高気温の回帰曲線を描いた.今回はポアソン分布に基づく搬送人員数の95%信頼区間を求める.
ポアソン回帰モデルの回帰曲線をRで描く
前回の記事では熱中症搬送人員数に対する日最高気温と平均水蒸気圧の影響をポアソン回帰モデルまたは負の二項分布モデルを用いて回帰係数を求めた.今回はポアソン回帰モデルの回帰曲線をRで描く.
東日本大震災の避難者数の統計を調べる
件の統計は復興庁の全国の避難者の数(所在都道府県別・所在施設別の数にあるが,このページはトップページから辿ることができず,検索からのみ到達できる.時系列でのデータは必須と思われるが,トップページから辿れるのは最新の情報のみであり,これは国民の利益に反する.
SQL Server の RANK 関数,NTILE 関数で順位,四分位を取得する
SQL Server でウィンドウ関数を使い,1行前の行を取得するではウィンドウ関数を用いて1行前の行を取得した.今回は RANK 関数,NTILE 関数を用いて順位,四分位を得る.
SQL Server の LAG 関数で 1 行前の行を取得する
SQL Server でウィンドウ関数を使い,1行前の行を取得するではウィンドウ関数を用いて1行前の行を取得した.今回は LAG 関数を用いて1行前の行を取得する.