2 つの変数にまたがる欠損の可視化

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

この演習はコースの一部です

Rでの欠損データの扱い方

SkillTag.level.beginnerSkillTag.label

4.8+

無料でコースを始める

第1章では、欠損データの基本を紹介します。欠損値とは何か、R における挙動、検出方法、そして数え方を説明します。次に、欠損データのサマリーを導入し、ケース（行）や変数（列）全体での欠損の要約方法、さらにデータ内のグループごとの探索方法を学びます。最後に、欠損データの可視化として、データセット全体や変数・ケース・その他のサマリーの概観を作成する方法、そしてこれらをグループ間で比較して探索する方法を扱います。

Exercise 1: 欠損データの概要 Exercise 2: 欠損値の扱い方と見つけ方 Exercise 3: 欠損値はいくつありますか？Exercise 4: 欠損値を扱う Exercise 5: 欠損値を気にする理由は？Exercise 6: 欠損の要約 Exercise 7: 欠損の度数分布表を作る Exercise 8: 欠損のその他の要約 Exercise 9: 欠損値はどのように可視化しますか？Exercise 10: はじめての欠損データ可視化 Exercise 11: 欠損のあるケースと変数を可視化する Exercise 12: 欠損パターンの可視化

第2章では、「missing」や「N/A」のような隠れた欠損値を見つけて `NA` に置き換える方法を学びます。また、明示的には記載されていないものの、欠損であることが暗に示されている「暗黙の欠損値」を効率よく扱う方法も学びます。さらに、欠損の依存関係の探索として、Missing Completely at Random (MCAR)、Missing At Random (MAR)、Missing Not At Random (MNAR) を取り上げ、これらがデータ分析に与える意味について解説します。

Exercise 1: 欠損値を探して置換する Exercise 2: miss_scan_count を使う Exercise 3: replace_with_na の利用 Exercise 4: replace_with_na のスコープ付きバリアントを使う Exercise 5: 欠損値を下方向に埋める（fill down）Exercise 6: complete() で暗黙的な欠損を修正する Exercise 7: fill() で明示的な欠損を補完する Exercise 8: complete() と fill() を一緒に使う Exercise 9: 欠損データの依存関係 Exercise 10: MCAR と MAR の違い Exercise 11: 欠損の依存関係を探る Exercise 12: 欠損の依存関係をさらに探る

この章では、欠損データを扱うためのワークフローを学びます。特別なデータ構造であるシャドウ行列（shadow matrix）と nabular データを紹介し、欠損の要約結果を元のデータの値に結び付けて探索できるようにするワークフローでの使い方を示します。さらに、ggplot を用いて、他の変数が欠損すると値がどのように変化するかを探索・可視化する方法を学びます。最後に、2変数間にわたる欠損の可視化、および散布図で欠損を可視化する方法とその意義について学びます。

Exercise 1: 欠損の依存関係を探るためのツール Exercise 2: シャドウ行列データの作成 Exercise 3: 欠損状況でのグループ集計を行う Exercise 4: 欠損の組み合わせをさらに深掘りする Exercise 5: 1 つの変数にわたる欠損の可視化 Exercise 6: ナブラー（nabular）データと欠損状況による可視化 Exercise 7: nabularデータと欠損別の要約 Exercise 8: 欠損ごとのばらつきを探る：箱ひげ図 Exercise 9: 2 つの変数にまたがる欠損の可視化

現在の演習

Exercise 10: 散布図で欠損データを探索する Exercise 11: ファセットで欠損を探索する Exercise 12: 欠損をファセットで探る（複数プロット）

この章では、データ中の欠損値を補完する「代入（imputation）」について学びます。欠損値を代入して追跡する方法、そして代入の良い点・悪い点を理解し、代入後のデータを元の値と比較して探索・可視化・評価する方法を身につけます。さらに、異なる代入モデルの使い方・評価・比較方法を学び、モデルの違いが推測や結論にどのような影響を与えるかを探索します。

Exercise 1: 空白を埋める（インピュテーション）Exercise 2: ナブラー（nabular）データで範囲外の下側に代入する Exercise 3: 散布図でインプテーションした値を可視化する Exercise 4: 代入データのヒストグラムを作成する Exercise 5: 良い補完（インピュテーション）の条件 Exercise 6: よくない代入法を評価する Exercise 7: 代入値を評価する：スケール Exercise 8: インプテーションの評価：多変数で見る Exercise 9: 欠損値の補完を行う Exercise 10: simputation を使ってデータを補完する Exercise 11: 代入結果の評価と比較 Exercise 12: インピュテーションの評価（複数のモデルと変数）Exercise 13: 代入値とモデルを評価する Exercise 14: 複数のインピュテーションモデルをまとめて比較する Exercise 15: モデル内のさまざまなパラメータを評価する Exercise 16: 最終レッスン