Zacznij terazZacznij za darmo

Imputacja danych z użyciem pakietu simputation

W R istnieje wiele pakietów do imputacji. Skupimy się na pakiecie simputation, który oferuje prosty i wydajny interfejs do przeprowadzania imputacji.

Budowanie dobrego modelu imputacji jest niezwykle ważne, ale to złożone zagadnienie – wymaga tyle samo uwagi co budowanie dobrego modelu statystycznego. W tym kursie skupimy się na tym, jak oceniać wyniki imputacji.

Na początek przyjrzymy się funkcji impute_lm(), która imputuje wartości zgodnie z określonym modelem liniowym.

W tym ćwiczeniu zastosujesz wcześniej poznane techniki oceny do danych z użyciem impute_lm(), a następnie w kolejnych lekcjach rozbudujesz tę metodę imputacji.

To ćwiczenie jest częścią kursu

Praca z brakującymi danymi w R

Zobacz kurs

Instrukcje do ćwiczenia

Korzystając ze zbioru danych oceanbuoys:

  • Dokonaj imputacji zmiennej humidity przy użyciu zmiennych wind_ew i wind_ns, a brakujące wartości śledź za pomocą add_label_shadow().
  • Zwizualizuj imputowane wartości dla air_temp_c i humidity, umieszczając je odpowiednio na osi x i y, a kolory przypisz według any_missing().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Impute humidity and air temperature using wind_ew and wind_ns, and track missing values
ocean_imp_lm_wind <- ___ %>% 
    bind_shadow() %>%
    impute_lm(air_temp_c ~ wind_ew + wind_ns) %>% 
    impute_lm(___ ~ ___ + ___) %>%
    add_label_shadow()
    
# Plot the imputed values for air_temp_c and humidity, colored by missingness
ggplot(___, 
       aes(x = ___, y = ___, color = any_missing)) + 
  geom_point()
Edytuj i uruchom kod