Créer un histogramme des données imputées
Maintenant que nous savons recréer la première visualisation de geom_miss_point(), voyons comment l'appliquer à d'autres tâches exploratoires.
Une tâche utile consiste à évaluer le nombre de valeurs manquantes dans une variable donnée au moyen d'un histogramme. Nous pouvons le faire avec le jeu de données ocean_imp_track que nous avons créé dans le dernier exercice, lequel est chargé dans cette session.
Cette activité fait partie du cours
Gérer les données manquantes avec R
Instructions de l’exercice
En utilisant les données imputées et suivies, ocean_imp_track :
- Explorez les valeurs de
air_temp_c, en visualisant la quantité de valeurs manquantes avecair_temp_c_NA. - Explorez les valeurs manquantes de
humidityà l'aide dehumidity_NA. - Explorez les valeurs manquantes de
air_temp_cselon l'année, avecfacet_wrap(~year). - Explorez les valeurs manquantes de
humidityselon l'année, avecfacet_wrap(~year).
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Explore the values of air_temp_c, visualizing the amount of missings with `air_temp_c_NA`.
p <- ggplot(___, aes(x = ___, fill = ___)) + ___()
# Expore the missings in humidity using humidity_NA
p2 <- ggplot(___, aes(x = ___, fill = ___)) + ___()
# Explore the missings in air_temp_c according to year, using `facet_wrap(~year)`.
p + facet_wrap(~___)
# Explore the missings in humidity according to year, using `facet_wrap(~year)`.
p2 + facet_wrap(~___)