CommencerCommencez gratuitement

Visualiser les motifs de valeurs manquantes

Entraînons-nous à visualiser les motifs de valeurs manquantes de différentes façons en utilisant :

  • gg_miss_upset() pour une vue d’ensemble des valeurs manquantes.
  • gg_miss_fct() pour un jeu de données avec un facteur d’intérêt : le mariage.
  • et gg_miss_span() pour explorer les valeurs manquantes dans une série temporelle.

Qu’observez-vous concernant les valeurs manquantes et le facettage dans les données ?

Cet exercice fait partie du cours

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

Instructions de l’exercice

  • Explorez le motif de valeurs manquantes du jeu de données airquality avec gg_miss_upset().
  • Explorez comment les valeurs manquantes évoluent dans le jeu de données riskfactors selon la variable marital en utilisant gg_miss_fct().
  • Explorez comment les valeurs manquantes évoluent dans le jeu de données pedestrian pour la variable hourly_counts sur une plage de 3000 (vous pouvez aussi essayer différentes plages entre 2000 et 5000).
  • Explorez l’impact de month sur hourly_counts en l’incluant dans l’argument facet, avec une plage de 1000.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Using the airquality dataset, explore the missingness pattern using gg_miss_upset()
gg_miss_upset(airquality)

# With the riskfactors dataset, explore how the missingness changes across the marital variable using gg_miss_fct()
gg_miss_fct(x = riskfactors, fct = marital)

# Using the pedestrian dataset, explore how the missingness of hourly_counts changes over a span of 3000 
gg_miss_span(pedestrian, var = ___, span_every = ___)

# Using the pedestrian dataset, explore the impact of month by faceting by month
# and explore how missingness changes for a span of 1000
____(___, var = ___ , span_every = ___, facet = ___)
Modifier et exécuter le code