¿Vas a eliminar?
Antes de eliminar los valores ausentes por completo, debes considerar los factores para la eliminación. El factor más sencillo es el tamaño de los datos faltantes. Razones más complejas que afectan la ausencia pueden requerir conocimiento del dominio. En este ejercicio, identificarás la razón de la ausencia y luego aplicarás la eliminación adecuada.
Primero usarás msno.matrix() y msno.heatmap() para visualizar la ausencia de datos y la correlación entre variables con valores ausentes. Después, determinarás el patrón de la ausencia. Por último, eliminarás según el tipo de ausencia.
El DataFrame diabetes ya está cargado para ti.
Ten en cuenta que hemos usado una función propietaria display() en lugar de plt.show() para que te resulte más fácil ver la salida.
Este ejercicio forma parte del curso
Cómo tratar datos faltantes en Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Visualize the missingness in the data
___.___(___)
# Display nullity matrix
display("/usr/local/share/datasets/matrix_diabetes.png")