Wizualizacja imputacji

Analizowanie imputacji i wybór najlepszej z nich to zadanie wymagające wielu eksperymentów. Ważne jest, aby dane nie stały się obciążone w wyniku imputacji. W dwóch ostatnich ćwiczeniach utworzyłeś/utworzyłaś 4 różne imputacje: za pomocą średniej, mediany, dominanty oraz wypełnienia stałą wartością.

W tym ćwiczeniu stworzysz wykres punktowy dla wcześniej imputowanych ramek danych. W tym celu utworzysz słownik ramek danych, w którym kluczami będą ich nazwy.

Ramki danych diabetes_mean, diabetes_median, diabetes_mode i diabetes_constant zostały już dla ciebie wczytane.

To ćwiczenie jest częścią kursu

Braki danych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz 4 wykresy podrzędne, tworząc siatkę z 2 wierszami i 2 kolumnami.
Utwórz słownik imputations, przypisując każdy klucz do odpowiadającej mu ramki danych.
Przejdź w pętli po axes i imputations, a następnie narysuj każdą ramkę danych ze słownika imputations.
Ustaw kolor na podstawie wartości nullity oraz tytuł każdego wykresu podrzędnego na nazwę danej imputacji.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Set nrows and ncols to 2
fig, axes = plt.subplots(nrows=___, ncols=___, figsize=(10, 10))
nullity = diabetes.Serum_Insulin.isnull()+diabetes.Glucose.isnull()

# Create a dictionary of imputations
imputations = {'Mean Imputation': ___, 'Median Imputation': ___, 
               'Most Frequent Imputation': ___, 'Constant Imputation': ___}

# Loop over flattened axes and imputations
for ax, df_key in zip(___.___(), ___):
    # Select and also set the title for a DataFrame
    imputations[___].plot(x='Serum_Insulin', y='Glucose', kind='scatter', 
                          alpha=0.5, c=___, cmap='rainbow', ax=ax, 
                          colorbar=False, title=___)
plt.show()

Edytuj i uruchom kod