Praca z brakującymi wartościami

R przechowuje brakujące wartości jako NA, które mają pewne specjalne właściwości. Teraz, gdy wiesz już, czym są braki danych i jak R je przechowuje, spróbuj przewidzieć, co się stanie, gdy wykonamy działania na brakujących wartościach.

Jaki jest wynik poniższych czterech poleceń w R? Wypróbuj je w konsoli kodu przed przesłaniem odpowiedzi.

1 + NA
NA + NA
NA | TRUE
NA | FALSE

To ćwiczenie jest częścią kursu

Praca z brakującymi danymi w R

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Praca z brakującymi danymi w R

SkillTag.level.beginnerSkillTag.label

4.8+

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

Bieżące ćwiczenie

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 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