Imputations को विज़ुअलाइज़ करें
Imputations का विश्लेषण करना और सबसे बेहतर विकल्प चुनना एक ऐसा काम है जिसमें काफी प्रयोग करने पड़ते हैं. यह सुनिश्चित करना जरूरी है कि इम्प्यूट करते समय आपका डेटा पक्षपाती न हो जाए. पिछले दो अभ्यासों में, आपने mean, median, mode और constant filling का उपयोग करके 4 अलग-अलग imputations बनाए थे.
इस अभ्यास में, आप पहले इम्प्यूट किए गए DataFrames का एक scatterplot बनाएँगे. इसके लिए, आप DataFrames की एक डिक्शनरी बनाएँगे, जिसमें keys उनके शीर्षक होंगे.
diabetes_mean, diabetes_median, diabetes_mode और diabetes_constant DataFrames आपके लिए लोड कर दिए गए हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Missing Data से निपटना
अभ्यास निर्देश
- 2 पंक्तियों और 2 स्तंभों वाला प्लॉट बनाकर 4 सबप्लॉट्स बनाएँ.
- प्रत्येक key को उसके संबंधित DataFrame से मैप करके
imputationsडिक्शनरी बनाएँ. axesऔरimputationsपर लूप चलाएँ, औरimputationsमें मौजूद हर DataFrame को प्लॉट करें.- रंग को
nullityपर सेट करें और हर subplot का शीर्षक संबंधित imputation के नाम पर रखें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Set nrows and ncols to 2
fig, axes = plt.subplots(nrows=___, ncols=___, figsize=(10, 10))
nullity = diabetes.Serum_Insulin.isnull()+diabetes.Glucose.isnull()
# Create a dictionary of imputations
imputations = {'Mean Imputation': ___, 'Median Imputation': ___,
'Most Frequent Imputation': ___, 'Constant Imputation': ___}
# Loop over flattened axes and imputations
for ax, df_key in zip(___.___(), ___):
# Select and also set the title for a DataFrame
imputations[___].plot(x='Serum_Insulin', y='Glucose', kind='scatter',
alpha=0.5, c=___, cmap='rainbow', ax=ax,
colorbar=False, title=___)
plt.show()