Corrija ausências explícitas usando fill()

Um tipo de valor ausente que é fácil de tratar acontece quando a primeira entrada de um grupo é informada, mas as seguintes aparecem como NA.

Esses valores ausentes costumam surgir por causa de células vazias em planilhas para evitar repetir nomes várias vezes e também para melhorar a "legibilidade" para humanos.

Esse tipo de problema pode ser resolvido usando a função fill() do pacote tidyr.

Este exercício faz parte do curso

Lidando com dados ausentes em R

Ver curso

Instruções do exercício

Use fill() para preencher para baixo as observações de "name" no conjunto de dados frogger.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Print the frogger data to have a look at it
___

# Use `fill()` to fill down the name variable in the frogger dataset
___ %>% fill(___)

Editar e executar o código

Este exercício faz parte do curso

Lidando com dados ausentes em R

InicianteNível de habilidade

4.8+

95 reviews

Iniciar curso de graça

O Capítulo 1 apresenta dados ausentes, explicando o que são valores ausentes, como eles se comportam em R, como detectá-los e como contá-los. Em seguida, apresentamos resumos de dados ausentes e como resumir a ausência ao longo de casos, variáveis e como explorar por grupos dentro dos dados. Por fim, discutimos visualizações de dados ausentes, como produzir visualizações gerais para todo o conjunto de dados e por variáveis, casos e outros resumos, e como explorar isso por grupos.

Exercise 1: Introdução a dados ausentes Exercise 2: Usando e encontrando valores ausentes Exercise 3: Quantos valores ausentes existem?Exercise 4: Trabalhando com valores ausentes Exercise 5: Por que se preocupar com valores ausentes?Exercise 6: Resumindo a ausência de dados Exercise 7: Tabulando valores ausentes Exercise 8: Outros resumos de ausência de dados Exercise 9: Como visualizar valores ausentes?Exercise 10: Suas primeiras visualizações de dados ausentes Exercise 11: Visualizando casos e variáveis com valores ausentes Exercise 12: Visualizando padrões de ausência

No segundo capítulo, você vai aprender a descobrir valores ausentes ocultos como "missing" ou "N/A" e substituí-los por `NA`. Você vai aprender a lidar de forma eficiente com valores ausentes implícitos — aqueles que estão ausentes por implicação, mas não aparecem explicitamente. Também abordamos como explorar a dependência dos dados ausentes, discutindo Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) e o que isso significa para a sua análise de dados.

Exercise 1: Buscando e substituindo valores ausentes Exercise 2: Usando miss_scan_count Exercise 3: Usando replace_with_na Exercise 4: Usando as variantes com escopo de replace_with_na Exercise 5: Preenchendo valores ausentes para baixo Exercise 6: Corrija ausências implícitas usando complete()Exercise 7: Corrija ausências explícitas usando fill()

Exercício atual

Exercise 8: Usando complete() e fill() juntos Exercise 9: Dependência de dados ausentes Exercise 10: Diferenças entre MCAR e MAR Exercise 11: Explorando a dependência da ausência de dados Exercise 12: Explorando mais a dependência da ausência de dados

Neste capítulo, você vai aprender fluxos de trabalho para lidar com dados ausentes. Apresentamos estruturas de dados especiais, a shadow matrix e os dados nabular, e mostramos como usá-las em fluxos de trabalho para explorar dados ausentes, de modo que você possa associar resumos de ausência aos valores nos dados. Você vai aprender a usar o ggplot para explorar e visualizar como os valores mudam à medida que outras variáveis se tornam ausentes. Por fim, você aprende a visualizar ausência em duas variáveis e como e por que visualizar ausências em um gráfico de dispersão.

Exercise 1: Ferramentas para explorar dependência de dados ausentes Exercise 2: Criando dados de matriz sombra Exercise 3: Fazendo resumos agrupados da ausência de dados Exercise 4: Explorando mais combinações de valores ausentes Exercise 5: Visualizando ausências em uma variável Exercise 6: Dados nabular e preenchimento por ausência Exercise 7: Dados nabular e resumo por ausência de dados Exercise 8: Explorar a variação por ausência de dados: boxplots Exercise 9: Visualizando ausências em duas variáveis Exercise 10: Explorando dados ausentes com gráficos de dispersão Exercise 11: Usando facetas para explorar valores ausentes Exercise 12: Facetando para explorar ausências (vários gráficos)

Neste capítulo, você vai aprender a preencher os valores ausentes nos seus dados, processo conhecido como imputação. Você vai aprender a imputar e rastrear valores ausentes e quais são as características boas e ruins das imputações, para que possa explorar, visualizar e avaliar os dados imputados em relação aos valores originais. Você vai aprender a usar, avaliar e comparar diferentes modelos de imputação e explorar como diferentes modelos de imputação afetam as inferências que você pode tirar dos modelos.

Exercise 1: Preenchendo as lacunas Exercise 2: Imputar dados abaixo do intervalo com dados nabulares Exercise 3: Visualizar valores imputados em um gráfico de dispersão Exercise 4: Crie um histograma dos dados imputados Exercise 5: O que torna uma imputação boa Exercise 6: Avaliando imputações ruins Exercise 7: Avaliando imputações: a escala Exercise 8: Avaliando imputações: Em muitas variáveis Exercise 9: Realizando imputações Exercise 10: Usando simputation para imputar dados Exercise 11: Avaliando e comparando imputações Exercise 12: Avaliando imputações (muitos modelos e variáveis)Exercise 13: Avaliando imputações e modelos Exercise 14: Combinando e comparando vários modelos de imputação Exercise 15: Avaliando os diferentes parâmetros no modelo Exercise 16: Lição final