Wirst du löschen?
Bevor du fehlende Werte vollständig löschst, solltest du die Gründe für das Löschen abwägen. Der einfachste Faktor ist der Umfang der fehlenden Daten. Komplexere Ursachen für Missingness können Fachwissen erfordern. In dieser Übung identifizierst du zuerst den Grund für die Missingness und führst dann die passende Löschstrategie durch.
Zuerst verwendest du msno.matrix() und msno.heatmap(), um die Missingness und die Korrelation zwischen Variablen mit fehlenden Werten zu visualisieren. Anschließend bestimmst du das Muster der Missingness. Zum Schluss löschst du abhängig vom Typ der Missingness.
Das diabetes-DataFrame wurde für dich geladen.
Hinweis: Wir verwenden hier eine proprietäre Funktion display() statt plt.show(), damit du die Ausgabe leichter ansehen kannst.
Diese Übung ist Teil des Kurses
<Kurs>Umgang mit fehlenden Daten in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Visualize the missingness in the data
___.___(___)
# Display nullity matrix
display("/usr/local/share/datasets/matrix_diabetes.png")