Visualiser la présence de valeurs manquantes entre deux variables

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.

Cette activité fait partie du cours

Gérer les données manquantes avec R

SkillTag.level.beginnerSkillTag.label

4.8+

141 reviews

Commencer le cours gratuitement

Le chapitre 1 vous présente les données manquantes : ce que sont les valeurs manquantes, leur comportement dans R, comment les repérer et comment les compter. Nous présentons ensuite des résumés de données manquantes et la façon de résumer la présence de valeurs manquantes selon les cas, les variables, ainsi que d'explorer par groupes dans les données. Enfin, nous abordons les visualisations des données manquantes : comment produire des aperçus pour l'ensemble du jeu de données et par variables, cas et autres résumés, puis comment explorer ces éléments par groupes.

Exercise 1: Introduction aux données manquantes Exercise 2: Utiliser et repérer les valeurs manquantes Exercise 3: Combien de valeurs manquantes y a-t-il?Exercise 4: Travailler avec des valeurs manquantes Exercise 5: Pourquoi se préoccuper des valeurs manquantes ?Exercise 6: Résumer les valeurs manquantes Exercise 7: Dresser un tableau des valeurs manquantes Exercise 8: Autres résumés de la présence de valeurs manquantes Exercise 9: Comment visualiser les valeurs manquantes ?Exercise 10: Vos premières visualisations de données manquantes Exercise 11: Visualiser les cas et les variables manquants Exercise 12: Visualiser les motifs de valeurs manquantes

Dans le chapitre deux, vous apprendrez à déceler des valeurs manquantes cachées comme « missing » ou « N/A » et à les remplacer par `NA`. Vous verrez comment gérer efficacement les valeurs manquantes implicites — celles qui sont sous-entendues comme manquantes, mais non inscrites explicitement. Nous couvrons aussi l'exploration de la dépendance des données manquantes, en présentant Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR), et ce que cela implique pour votre analyse de données.

Exercise 1: Rechercher et remplacer les valeurs manquantes Exercise 2: Utiliser miss_scan_count Exercise 3: Utiliser replace_with_na Exercise 4: Utiliser les variantes à portée de replace_with_na Exercise 5: Propager les valeurs pour combler les manquantes Exercise 6: Corriger les valeurs manquantes implicites avec complete()Exercise 7: Corriger les valeurs manquantes explicites avec fill()Exercise 8: Utiliser complete() et fill() ensemble Exercise 9: Dépendance des données manquantes Exercise 10: Différences entre MCAR et MAR Exercise 11: Explorer la dépendance de l'absence de valeurs Exercise 12: Approfondir la dépendance des valeurs manquantes

Dans ce chapitre, vous découvrirez des enchaînements de travail pour traiter les données manquantes. Nous présentons des structures de données particulières — la matrice fantôme (shadow matrix) et les données « nabular » — et montrons comment les utiliser dans des enchaînements pour explorer les données manquantes, afin de relier les résumés de valeurs manquantes aux valeurs présentes dans les données. Vous apprendrez à utiliser ggplot pour explorer et visualiser comment les valeurs évoluent lorsque d'autres variables deviennent manquantes. Enfin, vous verrez comment visualiser la présence de valeurs manquantes entre deux variables, ainsi que comment et pourquoi visualiser les valeurs manquantes dans un nuage de points.

Exercise 1: Outils pour explorer la dépendance des données manquantes Exercise 2: Créer des données de matrice d'ombre Exercise 3: Produire des résumés groupés de la présence de valeurs manquantes Exercise 4: Explorer davantage les combinaisons de valeurs manquantes Exercise 5: Visualiser la présence de valeurs manquantes pour une variable Exercise 6: Données nabulaires et remplissage selon la présence de valeurs manquantes Exercise 7: Données nabulaires et synthèse selon la présence de valeurs manquantes Exercise 8: Explorer la variation selon les valeurs manquantes : diagrammes à moustaches Exercise 9: Visualiser la présence de valeurs manquantes entre deux variables

Exercice en cours

Exercise 10: Explorer les données manquantes avec des nuages de points Exercise 11: Utiliser des facettes pour explorer les valeurs manquantes Exercise 12: Utiliser le facettage pour explorer les valeurs manquantes (graphiques multiples)

Dans ce chapitre, vous verrez comment combler les valeurs manquantes de vos données, une opération appelée imputation. Vous apprendrez à effectuer l'imputation et à en faire le suivi, ainsi qu'à connaître les bons et les mauvais côtés des imputations afin d'explorer, de visualiser et d'évaluer les données imputées par rapport aux valeurs originales. Vous apprendrez à utiliser, évaluer et comparer différents modèles d'imputation, et à explorer comment ces modèles influencent les inférences que vous pouvez tirer des modèles.

Exercise 1: Compléter les valeurs manquantes Exercise 2: Imputer des données sous la plage avec des données nabular Exercise 3: Visualiser les valeurs imputées dans un nuage de points Exercise 4: Créer un histogramme des données imputées Exercise 5: Qu'est-ce qui fait une bonne imputation Exercise 6: Évaluer de mauvaises imputations Exercise 7: Évaluer les imputations : l'échelle Exercise 8: Évaluer les imputations : plusieurs variables à la fois Exercise 9: Effectuer des imputations Exercise 10: Utiliser simputation pour imputer des données Exercise 11: Évaluer et comparer les imputations Exercise 12: Évaluer les imputations (plusieurs modèles et variables)Exercise 13: Évaluer les imputations et les modèles Exercise 14: Combiner et comparer plusieurs modèles d'imputation Exercise 15: Évaluer les différents paramètres du modèle Exercise 16: Leçon finale