Aan de slagBegin gratis

Geïmputeerde waarden visualiseren in een spreidingsdiagram

Laten we nu een van de eerdere grafieken uit hoofdstuk drie opnieuw maken die geom_miss_point() gebruikte.

Daarvoor moeten we de data imputeren onder het bereik van de gegevens. Dit is een speciale vorm van imputatie om de data te verkennen. Deze imputatie laat precies zien wat we moeten oefenen: hoe je ontbrekende waarden bijhoudt. Om de data onder het bereik van de gegevens te imputeren, gebruiken we de functie impute_below_all().

Deze oefening maakt deel uit van de cursus

Omgaan met missende data in R

Bekijk cursus

Oefeninstructies

Gebruik de oceanbuoys-gegevens:

  • Imputeer en volg de ontbrekende waarden met bind_shadow() en impute_below_all(), en add_label_shadow().
  • Visualiseer de ontbrekendheid in wind en luchttemperatuur respectievelijk op de x- en y-as, en kleur ontbrekende luchttemperatuurwaarden met air_temp_c_NA.
  • Visualiseer vochtigheid en luchttemperatuur respectievelijk op de x- en y-as, en kleur alle gevallen met ontbrekende waarden met de variabele any_missing.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Impute and track the missing values
ocean_imp_track <- bind_shadow(___) %>% 
  impute_below_all() %>% 
  add_label_shadow()

# Visualize the missingness in wind and air temperature,  
# coloring missing air temp values with air_temp_c_NA
ggplot(___, 
       aes(x = ___, y = ___, color = ___)) + 
  geom_point()

# Visualize humidity and air temp, coloring any missing cases using the variable any_missing
ggplot(___, 
       aes(x = ___, y = ___, color = ___)) +  
  geom_point()
Code bewerken en uitvoeren