MCAR और MAR के बीच अंतर

जब हम विश्लेषण को आगे बढ़ाते हैं तो हमें अपने डेटा के बारे में कुछ मान्यताएँ माननी पड़ती हैं.

MCAR और MAR के बारे में नीचे दिए गए विकल्पों में से कौन सा कथन TRUE है?

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Missing Data से निपटना

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

हमारे इंटरैक्टिव अभ्यासों में से किसी एक के साथ सिद्धांत को व्यवहार में बदलें

अभ्यास शुरू करें

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Missing Data से निपटना

SkillTag.level.beginnerSkillTag.label

4.8+

पाठ्यक्रम मुफ्त में शुरू करें

अध्याय 1 में आपको missing data से परिचित कराया जाएगा — missing values क्या हैं, R में उनका व्यवहार कैसा होता है, उन्हें कैसे पहचानें, और कैसे गिनें। इसके बाद हम missing data के सारांश पेश करेंगे और बताएँगे कि मिसिंगनेस को केस, वैरिएबल्स, और डेटा के भीतर ग्रुप्स के हिसाब से कैसे समरीज़ किया जाता है। अंत में, हम missing data विज़ुअलाइज़ेशन पर चर्चा करेंगे — पूरे डेटासेट और वैरिएबल्स, केसेज़ तथा अन्य सारांशों का ओवरव्यू कैसे बनाएं, और इन्हें अलग-अलग ग्रुप्स में कैसे एक्सप्लोर करें।

Exercise 1: मिसिंग डेटा का परिचय Exercise 2: Missing values का उपयोग और उन्हें ढूँढना Exercise 3: कितने missing values हैं?Exercise 4: मिसिंग वैल्यूज़ के साथ काम करना Exercise 5: मिसिंग वैल्यूज़ की परवाह क्यों करें?Exercise 6: मिसिंगनेस का सारांश Exercise 7: मिसिंगनेस की टेब्यूलेशन Exercise 8: मिसिंगनेस के अन्य सारांश Exercise 9: हम missing values को कैसे visualize करें?Exercise 10: अपनी पहली missing data visualizations Exercise 11: मिसिंग केसेज़ और वैरिएबल्स को विज़ुअलाइज़ करना Exercise 12: मिसिंगनेस पैटर्न का विज़ुअलाइज़ेशन

दूसरे अध्याय में, आप "missing" या "N/A" जैसी छिपी हुई missing values पहचानना और उन्हें `NA` से बदलना सीखेंगे। आप इम्प्लिसिट missing values को कुशलतापूर्वक सँभालना सीखेंगे — वे मान जो missing माने जाते हैं, लेकिन स्पष्ट रूप से सूचीबद्ध नहीं होते। हम missing data dependence की जाँच भी कवर करेंगे, जिसमें Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) शामिल हैं, और यह आपकी डेटा एनालिसिस के लिए क्या मायने रखते हैं।

Exercise 1: मिसिंग वैल्यू ढूँढ़ना और उन्हें रिप्लेस करना Exercise 2: miss_scan_count का उपयोग Exercise 3: replace_with_na का उपयोग Exercise 4: replace_with_na के scoped variants का उपयोग Exercise 5: मिसिंग वैल्यूज़ को नीचे की ओर भरना (Filling down)Exercise 6: complete() का उपयोग करके implicit मिसिंग्स को ठीक करें Exercise 7: fill() का उपयोग कर स्पष्ट मिसिंग्स ठीक करें Exercise 8: complete() और fill() का साथ में उपयोग Exercise 9: मिसिंग डेटा पर निर्भरता Exercise 10: MCAR और MAR के बीच अंतर

वर्तमान अभ्यास

Exercise 11: Missingness dependence की पड़ताल Exercise 12: मिसिंगनेस निर्भरता की आगे जाँच

इस अध्याय में, आप missing data के साथ काम करने के लिए वर्कफ़्लोज़ के बारे में सीखेंगे। हम विशेष डेटा स्ट्रक्चर्स — shadow matrix और nabular data — से परिचय कराएँगे, और दिखाएँगे कि उन्हें missing data की पड़ताल के वर्कफ़्लो में कैसे इस्तेमाल करें ताकि आप मिसिंगनेस के सारांशों को डेटा के वास्तविक मानों से जोड़ सकें। आप सीखेंगे कि ggplot का उपयोग करके कैसे जाँचें और विज़ुअलाइज़ करें कि जैसे-जैसे अन्य वैरिएबल्स missing होते हैं, वैल्यूज़ कैसे बदलती हैं। अंत में, आप दो वैरिएबल्स में मिसिंगनेस को कैसे विज़ुअलाइज़ करें, और स्कैटरप्लॉट में मिसिंग्स को क्यों और कैसे दिखाएँ, यह सीखेंगे।

Exercise 1: मिसिंग डेटा की निर्भरता khám करने के टूल्स Exercise 2: शैडो मैट्रिक्स डेटा बनाना Exercise 3: Missingness के समूहित सारांश निकालना Exercise 4: मिसिंगनेस के और संयोजनों की अतिरिक्त जाँच Exercise 5: एक वैरिएबल में मिसिंगनेस का विज़ुअलाइज़ेशन Exercise 6: Nabular डेटा और missingness के आधार पर भरना Exercise 7: Nabular डेटा और missingness के अनुसार सारांश Exercise 8: मिसिंगनेस के अनुसार वैरिएशन खोजें: बॉक्स प्लॉट्स Exercise 9: दो वैरिएबल्स में missingness को विज़ुअलाइज़ करना Exercise 10: स्कैटर प्लॉट्स के साथ missing डेटा की जाँच Exercise 11: फैसेट्स का उपयोग करके missingness की जाँच Exercise 12: Faceting के साथ missingness की जाँच (multiple plots)

इस अध्याय में, आप अपने डेटा में missing values को भरने के बारे में सीखेंगे, जिसे imputation कहा जाता है। आप missing values को इम्प्यूट करना और ट्रैक करना, तथा इम्प्यूटेशंस की अच्छी और कमज़ोर विशेषताएँ क्या हैं, यह जानेंगे ताकि आप इम्प्यूटेड डेटा को मूल मानों के मुकाबले एक्सप्लोर, विज़ुअलाइज़ और मूल्यांकन कर सकें। आप अलग-अलग इम्प्यूटेशन मॉडल्स का उपयोग, आकलन और तुलना करना सीखेंगे, और यह भी जाँचेंगे कि विभिन्न इम्प्यूटेशन मॉडल्स आपके मॉडलों से निकाले जा सकने वाले निष्कर्षों को कैसे प्रभावित करते हैं।

Exercise 1: खाली जगहें भरना Exercise 2: nabular डेटा के साथ रेंज से नीचे इम्प्यूट करें Exercise 3: स्कैटर प्लॉट में इम्प्यूटेड वैल्यूज़ को विज़ुअलाइज़ करें Exercise 4: इम्प्यूटेड डेटा का हिस्टोग्राम बनाएँ Exercise 5: अच्छी इम्प्यूटेशन किन बातों से बनती है Exercise 6: खराब इम्प्यूटेशन का मूल्यांकन Exercise 7: इम्प्यूटेशन का मूल्यांकन: स्केल Exercise 8: इम्प्यूटेशन का मूल्यांकन: कई वैरिएबल्स में Exercise 9: इम्प्यूटेशन करना Exercise 10: simputation का उपयोग करके डेटा इम्प्यूट करना Exercise 11: Imputations का आकलन और तुलना Exercise 12: इम्प्यूटेशन्स का मूल्यांकन (कई मॉडल और वैरिएबल)Exercise 13: इम्प्यूटेशन और मॉडलों का मूल्यांकन Exercise 14: कई इम्प्यूटेशन मॉडल्स को जोड़ना और तुलना करना Exercise 15: मॉडल में अलग-अलग पैरामीटर का मूल्यांकन Exercise 16: अंतिम पाठ