Začněte nyníZačněte zdarma

Vizualizace vzorců chybějících hodnot

Procvičme si různé způsoby vizualizace vzorců chybějících hodnot:

  • gg_miss_upset() pro celkový přehled vzorců chybějících hodnot.
  • gg_miss_fct() pro dataset, který obsahuje faktor zájmu: manželský stav.
  • a gg_miss_span() pro prozkoumání chybějících hodnot v časové řadě.

Co si všímáš ve vztahu mezi chybějícími hodnotami a rozdělením dat do skupin?

Toto cvičení je součástí kurzu

Práce s chybějícími daty v R

Zobrazit kurz

Pokyny k cvičení

  • Prozkoumej vzorec chybějících hodnot v datasetu airquality pomocí funkce gg_miss_upset().
  • Pomocí funkce gg_miss_fct() zjisti, jak se chybějící hodnoty v datasetu riskfactors mění napříč proměnnou marital.
  • Pomocí funkce gg_miss_span() prozkoumej, jak se chybějící hodnoty v datasetu pedestrian mění u proměnné hourly_counts přes úsek délky 3000 (můžeš zkusit i jiné hodnoty v rozsahu 2000–5000).
  • Zahrnutím proměnné month do argumentu facet s délkou úseku 1000 prozkoumej její vliv na hourly_counts.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Using the airquality dataset, explore the missingness pattern using gg_miss_upset()
gg_miss_upset(airquality)

# With the riskfactors dataset, explore how the missingness changes across the marital variable using gg_miss_fct()
gg_miss_fct(x = riskfactors, fct = marital)

# Using the pedestrian dataset, explore how the missingness of hourly_counts changes over a span of 3000 
gg_miss_span(pedestrian, var = ___, span_every = ___)

# Using the pedestrian dataset, explore the impact of month by faceting by month
# and explore how missingness changes for a span of 1000
____(___, var = ___ , span_every = ___, facet = ___)
Upravit a spustit kód