Wykonywanie imputacji

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Praca z brakującymi danymi w R

SkillTag.level.beginnerSkillTag.label

4.8+

141 reviews

Rozpocznij kurs za darmo

Rozdział 1 wprowadza w tematykę brakujących danych: dowiesz się, czym są brakujące wartości, jak zachowują się w R, jak je wykrywać i zliczać. Następnie poznasz podsumowania brakujących danych oraz sposoby agregowania braków według obserwacji, zmiennych i grup w zbiorze danych. Na koniec omówimy wizualizacje brakujących danych – od ogólnych przeglądów całego zbioru, przez analizy według zmiennych i obserwacji, aż po eksplorację w podziale na grupy.

Exercise 1: Wprowadzenie do brakujących danych Exercise 2: Praca z brakującymi wartościami i ich wykrywanie Exercise 3: Ile brakujących wartości jest w danych?Exercise 4: Praca z brakującymi wartościami Exercise 5: Dlaczego warto dbać o brakujące wartości?Exercise 6: Podsumowanie brakujących wartości Exercise 7: Tabelaryczne podsumowanie braków danych Exercise 8: Inne podsumowania brakujących danych Exercise 9: Jak wizualizować brakujące wartości?Exercise 10: Twoja pierwsza wizualizacja brakujących danych Exercise 11: Wizualizacja brakujących obserwacji i zmiennych Exercise 12: Wizualizacja wzorców brakujących danych

W rozdziale drugim nauczysz się wykrywać ukryte brakujące wartości, takie jak „missing" czy „N/A", i zastępować je wartością `NA`. Poznasz efektywne metody obsługi niejawnych braków danych – czyli wartości, które faktycznie brakują, ale nie są jawnie oznaczone. Omówimy też zależności w brakujących danych: Missing Completely at Random (MCAR), Missing at Random (MAR) oraz Missing Not at Random (MNAR) – i wyjaśnimy, co każdy z tych mechanizmów oznacza dla twojej analizy.

Exercise 1: Wyszukiwanie i zastępowanie brakujących wartości Exercise 2: Używanie miss_scan_count Exercise 3: Używanie replace_with_na Exercise 4: Używanie wariantów zakresowych replace_with_na Exercise 5: Uzupełnianie brakujących wartości w dół Exercise 6: Napraw ukryte braki danych za pomocą complete()Exercise 7: Naprawianie jawnych braków danych za pomocą fill()Exercise 8: Łączenie complete() i fill()Exercise 9: Zależność brakujących danych Exercise 10: Różnice między MCAR a MAR Exercise 11: Badanie zależności brakujących wartości Exercise 12: Dogłębniejsze badanie zależności brakujących danych

W tym rozdziale poznasz przepływy pracy do obsługi brakujących danych. Przedstawimy specjalne struktury danych – macierz cieni (shadow matrix) oraz dane nabular – i pokażemy, jak wykorzystać je w eksploracji braków, łącząc podsumowania brakujących wartości z rzeczywistymi danymi. Nauczysz się używać ggplot do eksploracji i wizualizacji tego, jak wartości zmieniają się wraz z pojawianiem się braków w innych zmiennych. Na koniec dowiesz się, jak wizualizować braki dla par zmiennych oraz jak i dlaczego uwzględniać brakujące wartości na wykresach punktowych.

Exercise 1: Narzędzia do badania zależności w brakujących danych Exercise 2: Tworzenie danych w postaci macierzy cienia Exercise 3: Grupowe podsumowania brakujących danych Exercise 4: Dalsze badanie kombinacji brakujących wartości Exercise 5: Wizualizacja brakujących danych w jednej zmiennej Exercise 6: Dane nabular i uzupełnianie na podstawie braków Exercise 7: Dane nabular i podsumowania według brakujących wartości Exercise 8: Eksploracja zmienności według braków danych: wykresy pudełkowe Exercise 9: Wizualizacja braków danych dla dwóch zmiennych Exercise 10: Badanie brakujących danych za pomocą wykresów rozrzutu Exercise 11: Użycie faset do eksploracji brakujących danych Exercise 12: Użycie fasetowania do eksploracji braków danych (wiele wykresów)

W tym rozdziale nauczysz się uzupełniać brakujące wartości w danych – czyli stosować imputację. Poznasz metody imputacji i śledzenia brakujących wartości, a także zalety i wady poszczególnych podejść, które pozwolą ci eksplorować, wizualizować i oceniać zaimputowane dane w odniesieniu do wartości oryginalnych. Dowiesz się, jak używać różnych modeli imputacji, jak je oceniać i porównywać, a także jak różne podejścia do imputacji wpływają na wnioski, które można wyciągnąć z modeli.

Exercise 1: Uzupełnianie luk Exercise 2: Imputowanie danych poniżej zakresu z użyciem danych nabular Exercise 3: Wizualizacja imputowanych wartości na wykresie punktowym Exercise 4: Tworzenie histogramu dla uzupełnionych danych Exercise 5: Co sprawia, że imputacja jest dobra Exercise 6: Ocena złych imputacji Exercise 7: Ocena imputacji: skala Exercise 8: Ocena imputacji: wiele zmiennych naraz Exercise 9: Wykonywanie imputacji

Bieżące ćwiczenie

Exercise 10: Imputacja danych z użyciem pakietu simputation Exercise 11: Ocena i porównanie imputacji Exercise 12: Ocena imputacji (wiele modeli i zmiennych)Exercise 13: Ocena imputacji i modeli Exercise 14: Łączenie i porównywanie wielu modeli imputacji Exercise 15: Ocena różnych parametrów modelu Exercise 16: Podsumowanie