Zacznij terazZacznij za darmo

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)?

To ćwiczenie jest częścią kursu

Praca z brakującymi danymi w R

Zobacz kurs

Instrukcje do ćwiczenia

  • 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.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Using the airquality dataset, explore the missingness pattern using gg_miss_upset()
gg_miss_upset(airquality)

# With the riskfactors dataset, explore how the missingness changes across the marital variable using gg_miss_fct()
gg_miss_fct(x = riskfactors, fct = marital)

# Using the pedestrian dataset, explore how the missingness of hourly_counts changes over a span of 3000 
gg_miss_span(pedestrian, var = ___, span_every = ___)

# Using the pedestrian dataset, explore the impact of month by faceting by month
# and explore how missingness changes for a span of 1000
____(___, var = ___ , span_every = ___, facet = ___)
Edytuj i uruchom kod