ÎncepețiÎncepe gratuit

Vizualizarea tiparelor de valori lipsă

Hai să exersăm câteva modalități diferite de a vizualiza tiparele valorilor lipsă folosind:

  • gg_miss_upset() pentru a obține o imagine de ansamblu asupra tiparului valorilor lipsă.
  • gg_miss_fct() pentru un set de date care conține un factor de interes: căsătoria.
  • și gg_miss_span() pentru a explora valorile lipsă dintr-un set de date de tip serie temporală.

Ce observi în legătură cu valorile lipsă și divizarea pe grupuri a datelor?

Acest exercițiu face parte din cursul

Gestionarea datelor lipsă în R

Vezi cursul

Instrucțiuni pentru exercițiu

  • Explorează tiparul valorilor lipsă din setul de date airquality folosind gg_miss_upset().
  • Explorează cum se modifică valorile lipsă în setul de date riskfactors în funcție de variabila marital, folosind gg_miss_fct().
  • Explorează cum se modifică valorile lipsă în setul de date pedestrian pentru variabila hourly_counts pe un interval de 3000 (poți încerca și alte intervale între 2000 și 5000).
  • Explorează impactul variabilei month asupra hourly_counts includând-o în argumentul facet, cu un interval de 1000.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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 = ___)
Editează și rulează codul