Удалять или нет?
Прежде чем полностью удалять пропущенные значения, необходимо оценить факторы, влияющие на это решение. Простейший из них — объём пропущенных данных. Более сложные причины пропусков могут потребовать знания предметной области. В этом упражнении вы определите причину пропусков и выполните соответствующее удаление.
Сначала воспользуйтесь msno.matrix() и msno.heatmap(), чтобы визуализировать пропуски и корреляцию между переменными с пропущенными данными. Затем определите характер пропусков и выберите подходящий способ удаления.
Для вас уже загружен DataFrame diabetes.
Обратите внимание: вместо plt.show() здесь используется специальная функция display() — она упрощает просмотр результатов.
Это упражнение является частью курса
Работа с пропущенными данными в Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Visualize the missingness in the data
___.___(___)
# Display nullity matrix
display("/usr/local/share/datasets/matrix_diabetes.png")