1. Nauka
    2. /
  2. Kursy
    3. /
  3. Praca z brakującymi danymi w R
Connected

ćwiczenie

Wizualizacja wzorców brakujących danych

Przećwiczmy kilka różnych sposobów wizualizowania wzorców brakujących danych:

  • gg_miss_upset() – daje ogólny obraz wzorców brakujących wartości.
  • gg_miss_fct() – dla zbioru danych zawierającego interesujący nas czynnik: stan cywilny.
  • gg_miss_span() – do eksploracji brakujących danych w szeregu czasowym.

Co zauważasz w związku z brakującymi danymi i podziałem na grupy (faceting)?

Instrukcje

100 XP
  • Zbadaj wzorzec brakujących danych w zbiorze airquality za pomocą gg_miss_upset().
  • Sprawdź, jak brakujące dane rozkładają się w zbiorze riskfactors w zależności od zmiennej marital, używając gg_miss_fct().
  • Zbadaj, jak brakujące dane zmieniają się w zbiorze pedestrian dla zmiennej hourly_counts przy rozpiętości 3000 (możesz też wypróbować różne wartości od 2000 do 5000).
  • Sprawdź wpływ zmiennej month na hourly_counts, dodając ją do argumentu facet przy rozpiętości 1000.