Aan de slagBegin gratis

Ontbreekpatronen visualiseren

Oefen een paar manieren om patronen van ontbrekende waarden te visualiseren met:

  • gg_miss_upset() voor een algemeen overzicht van ontbrekende waarden.
  • gg_miss_fct() voor een gegevensset met een interessante factor: huwelijk.
  • en gg_miss_span() om ontbrekende waarden in een tijdreeks te verkennen.

Wat valt je op aan de ontbrekende waarden en de facetten in de data?

Deze oefening maakt deel uit van de cursus

Omgaan met missende data in R

Bekijk cursus

Oefeninstructies

  • Verken het patroon van ontbrekende waarden in de gegevensset airquality met gg_miss_upset().
  • Bekijk hoe de ontbrekende waarden veranderen in de gegevensset riskfactors over de variabele marital met gg_miss_fct().
  • Onderzoek hoe de ontbrekende waarden veranderen in de gegevensset pedestrian voor de variabele hourly_counts over een span van 3000 (je kunt ook andere spans van 2000–5000 proberen).
  • Onderzoek het effect van month op hourly_counts door dit op te nemen in het argument facet, met een span van 1000.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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 = ___)
Code bewerken en uitvoeren