Zacznij terazZacznij za darmo

Imputowanie danych poniżej zakresu z użyciem danych nabular

Ważne jest, żeby śledzić imputowane wartości. Bez tego bardzo trudno ocenić, jak dobre są podstawione wartości.

Przećwiczysz imputowanie danych i odtworzysz wizualizacje z poprzedniego zestawu ćwiczeń, podstawiając wartości poniżej zakresu danych.

To bardzo przydatna technika do dalszego eksplorowania braków danych – stanowi również podstawę imputowania brakujących wartości.

Na początek zaimputujesz dane poniżej zakresu za pomocą impute_below_all(), a następnie zwizualizujesz wyniki. Zauważysz, że choć widać, gdzie znajdują się brakujące wartości, potrzebny jest sposób na ich śledzenie. Pomocny będzie tu schemat programowania „śledź brakujące dane".

To ćwiczenie jest częścią kursu

Praca z brakującymi danymi w R

Zobacz kurs

Instrukcje do ćwiczenia

Korzystając z danych oceanbuoys:

  • Zaimputuj wartości poniżej zakresu za pomocą impute_below_all().
  • Zwizualizuj nowe brakujące wartości, umieszczając wind_ew na osi x, a air_temp_c na osi y.
  • Zaimputuj i śledź dane, używając bind_shadow(), impute_below_all() oraz add_label_shadow().
  • Wyświetl wykres i przeanalizuj zaimputowane wartości.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Impute the oceanbuoys data below the range using `impute_below`.
ocean_imp <- impute_below_all(___)

# Visualize the new missing values
ggplot(___, 
       aes(x = ___, y = ___)) +  
  geom_point()

# Impute and track data with `bind_shadow`, `impute_below_all`, and `add_label_shadow`
ocean_imp_track <- bind_shadow(___) %>% 
  ___() %>% 
  ___()

# Look at the imputed values
___
Edytuj i uruchom kod