शुरू करेंमुफ़्त में शुरू करें

मिसिंगनेस पैटर्न का विज़ुअलाइज़ेशन

आइए मिसिंगनेस के पैटर्न को विज़ुअलाइज़ करने के कुछ अलग-अलग तरीकों का अभ्यास करें:

  • gg_miss_upset() से मिसिंगनेस का ओवरऑल पैटर्न देखें.
  • जिस डेटासेट में रुचि का एक फ़ैक्टर है (marriage), उसके लिए gg_miss_fct().
  • और टाइम सीरीज़ डेटासेट में मिसिंगनेस एक्सप्लोर करने के लिए gg_miss_span().

डेटा में मिसिंगनेस और फैसेटिंग के साथ आपको क्या दिखता है?

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Missing Data से निपटना

पाठ्यक्रम देखें

अभ्यास निर्देश

  • airquality डेटासेट के मिसिंगनेस पैटर्न को gg_miss_upset() से एक्सप्लोर करें.
  • riskfactors डेटासेट में marital वैरिएबल के अनुसार मिसिंगनेस कैसे बदलती है, इसे gg_miss_fct() से एक्सप्लोर करें.
  • pedestrian डेटासेट में hourly_counts वैरिएबल पर 3000 के स्पैन पर मिसिंगनेस कैसे बदलती है, इसे एक्सप्लोर करें (आप 2000–5000 के बीच अन्य स्पैन भी आज़मा सकते हैं).
  • 1000 के स्पैन के साथ facet आर्ग्यूमेंट में month को शामिल करके hourly_counts पर उसके प्रभाव को एक्सप्लोर करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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 = ___)
कोड संपादित करें और चलाएँ