Rozpoznaj MNAR

W poprzednim ćwiczeniu identyfikowałeś(-aś) rodzaj brakujących wartości na podstawie podsumowania braków danych. W tym ćwiczeniu pójdziesz o krok dalej i jednoznacznie zidentyfikujesz dane typu Missing Not at Random (MNAR – brakujące nielosowo).

Podsumowanie braków danych dla ramki danych diabetes wygląda następująco.

Twoim celem jest posortowanie ramki danych diabetes według kolumny Serum_Insulin i zbadanie korelacji między Skin_Fold a Serum_Insulin.

Uwaga: zamiast plt.show() używamy zastrzeżonej funkcji display(), która ułatwia podgląd wyników.

To ćwiczenie jest częścią kursu

Braki danych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zaimportuj pakiet missingno jako msno.
Posortuj wartości kolumny Serum_Insulin w ramce danych diabetes.
Zwizualizuj podsumowanie braków danych dla Serum_Insulin za pomocą msno.matrix().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import missingno as msno
___

# Sort diabetes dataframe on 'Serum Insulin'
sorted_values = ___.___(___)

# Visualize the missingness summary of sorted
___.___(___)

# Display nullity matrix
display("/usr/local/share/datasets/matrix_sorted.png")

Edytuj i uruchom kod