Vyplňování prázdných míst

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Práce s chybějícími daty v R

SkillTag.level.beginnerSkillTag.label

4.8+

141 reviews

Začněte kurz zdarma

První kapitola tě seznámí s chybějícími daty – vysvětlí, co jsou chybějící hodnoty, jak se chovají v R, jak je detekovat a počítat. Pak se podíváme na souhrny chybějících dat a na to, jak shrnout míru chybějících hodnot napříč případy, proměnnými i skupinami v datech. Nakonec se věnujeme vizualizaci chybějících dat – jak vytvořit přehledové vizualizace pro celý dataset, pro jednotlivé proměnné, případy i další souhrny a jak je zkoumat v rámci různých skupin.

Exercise 1: Úvod do chybějících dat Exercise 2: Práce s chybějícími hodnotami a jejich vyhledávání Exercise 3: Kolik chybějících hodnot tam je?Exercise 4: Práce s chybějícími hodnotami Exercise 5: Proč se zabývat chybějícími hodnotami?Exercise 6: Shrnutí chybějících hodnot Exercise 7: Tabulkový přehled chybějících hodnot Exercise 8: Další souhrny chybějících hodnot Exercise 9: Jak vizualizujeme chybějící hodnoty?Exercise 10: První vizualizace chybějících dat Exercise 11: Vizualizace chybějících hodnot v případech a proměnných Exercise 12: Vizualizace vzorců chybějících hodnot

Ve druhé kapitole se naučíš odhalovat skryté chybějící hodnoty, jako jsou řetězce „missing" nebo „N/A", a nahrazovat je hodnotou `NA`. Zjistíš, jak efektivně pracovat s implicitně chybějícími hodnotami – těmi, které v datech chybí, ale nejsou explicitně uvedeny. Probereme také závislost chybějících dat a vysvětlíme pojmy Missing Completely at Random (MCAR), Missing At Random (MAR) a Missing Not At Random (MNAR) a jejich dopad na tvoji datovou analýzu.

Exercise 1: Hledání a nahrazování chybějících hodnot Exercise 2: Použití miss_scan_count Exercise 3: Použití replace_with_na Exercise 4: Použití rozšířených variant funkce replace_with_na Exercise 5: Doplňování chybějících hodnot směrem dolů Exercise 6: Oprav implicitní chybějící hodnoty pomocí complete()Exercise 7: Oprav explicitní chybějící hodnoty pomocí fill()Exercise 8: Použití complete() a fill() dohromady Exercise 9: Závislost chybějících dat Exercise 10: Rozdíly mezi MCAR a MAR Exercise 11: Zkoumání závislosti chybějících hodnot Exercise 12: Hlubší průzkum závislosti chybějících hodnot

V této kapitole se naučíš pracovat s postupy pro zpracování chybějících dat. Představíme speciální datové struktury – stínovou matici a nabular data – a ukážeme, jak je využít při zkoumání chybějících hodnot, aby bylo možné propojit souhrny chybějících dat se skutečnými hodnotami v datasetu. Naučíš se používat ggplot k prozkoumání a vizualizaci toho, jak se hodnoty mění, když jiné proměnné začnou chybět. Nakonec se podíváš na to, jak vizualizovat chybějící data napříč dvěma proměnnými a proč je vhodné znázornit chybějící hodnoty v bodovém grafu.

V této kapitole se naučíš doplňovat chybějící hodnoty v datech – tento proces se nazývá imputace. Dozvíš se, jak chybějící hodnoty imputovat a sledovat, jaké jsou výhody a nevýhody různých přístupů k imputaci, a naučíš se imputovaná data zkoumat, vizualizovat a porovnávat s původními hodnotami. Procvičíš si používání, hodnocení a srovnávání různých imputačních modelů a prozkoumáš, jak výběr modelu ovlivňuje závěry, které z dat lze vyvodit.

Exercise 1: Vyplňování prázdných míst

Aktuální cvičení

Exercise 2: Imputace dat pod rozsah s nabular daty Exercise 3: Vizualizace imputovaných hodnot v bodovém grafu Exercise 4: Vytvoř histogram imputovaných dat Exercise 5: Co dělá imputaci dobrou Exercise 6: Hodnocení špatných imputací Exercise 7: Hodnocení imputací: Měřítko Exercise 8: Vyhodnocení imputací: Napříč mnoha proměnnými Exercise 9: Imputace v praxi Exercise 10: Imputace dat pomocí balíčku simputation Exercise 11: Vyhodnocení a porovnání imputací Exercise 12: Vyhodnocení imputací (více modelů a proměnných)Exercise 13: Hodnocení imputací a modelů Exercise 14: Kombinování a porovnávání různých imputačních modelů Exercise 15: Vyhodnocení různých parametrů modelu Exercise 16: Závěrečná lekce