CommencerCommencez gratuitement

Visualiser les valeurs imputées dans un nuage de points

Recréons maintenant l’un des graphiques vus au chapitre trois qui utilisait geom_miss_point().

Pour cela, nous devons imputer les données en dessous de l’intervalle des valeurs observées. Il s’agit d’un type d’imputation particulier pour explorer les données. Cette imputation mettra en évidence ce que nous devons pratiquer : comment suivre les valeurs manquantes. Pour imputer les données en dessous de l’intervalle, nous utilisons la fonction impute_below_all().

Cet exercice fait partie du cours

<cours>Gérer les données manquantes en R</cours>
Voir le cours

Instructions de l’exercice

En utilisant les données oceanbuoys :

  • Imputez et suivez les valeurs manquantes avec bind_shadow(), impute_below_all() et add_label_shadow().
  • Visualisez la présence de valeurs manquantes du vent et de la température de l’air sur les axes x et y respectivement, en colorant les valeurs manquantes de température de l’air avec air_temp_c_NA.
  • Visualisez l’humidité et la température de l’air sur les axes x et y respectivement, en colorant tous les cas contenant des valeurs manquantes avec la variable any_missing.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Impute and track the missing values
ocean_imp_track <- bind_shadow(___) %>% 
  impute_below_all() %>% 
  add_label_shadow()

# Visualize the missingness in wind and air temperature,  
# coloring missing air temp values with air_temp_c_NA
ggplot(___, 
       aes(x = ___, y = ___, color = ___)) + 
  geom_point()

# Visualize humidity and air temp, coloring any missing cases using the variable any_missing
ggplot(___, 
       aes(x = ___, y = ___, color = ___)) +  
  geom_point()
Modifier et exécuter le code