Czy usunąć dane?
Zanim całkowicie usuniesz brakujące wartości, musisz wziąć pod uwagę kilka czynników. Najprostszym z nich jest rozmiar brakujących danych. Bardziej złożone przyczyny braków mogą wymagać wiedzy dziedzinowej. W tym ćwiczeniu zidentyfikujesz powód braku danych, a następnie przeprowadzisz odpowiednie usuwanie.
Na początku skorzystasz z msno.matrix() oraz msno.heatmap(), aby zwizualizować braki danych i korelacje między zmiennymi z brakującymi wartościami. Następnie określisz wzorzec braków. Na koniec usuniesz dane w zależności od rodzaju brakujących wartości.
DataFrame diabetes został już wczytany.
Zamiast plt.show() użyto własnościowej funkcji display(), aby ułatwić podgląd wyników.
To ćwiczenie jest częścią kursu
Braki danych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Visualize the missingness in the data
___.___(___)
# Display nullity matrix
display("/usr/local/share/datasets/matrix_diabetes.png")