НачатьНачать бесплатно

Визуализация импутированных значений на точечном графике

Теперь воссоздадим один из графиков, который мы рассматривали в третьей главе с использованием geom_miss_point().

Для этого нам нужно импутировать данные ниже диапазона исходных значений. Это особый вид импутации, предназначенный для исследования данных. Он наглядно демонстрирует то, что мы будем отрабатывать: как отслеживать пропущенные значения. Для импутации данных ниже диапазона используется функция impute_below_all().

Это упражнение является частью курса

Работа с пропущенными данными в R

Посмотреть курс

Инструкции к упражнению

Используя данные oceanbuoys:

  • Выполните импутацию и отслеживание пропущенных значений с помощью функций bind_shadow(), impute_below_all() и add_label_shadow().
  • Визуализируйте пропущенность значений скорости ветра и температуры воздуха по осям x и y соответственно, выделив цветом пропущенные значения температуры воздуха с помощью air_temp_c_NA.
  • Визуализируйте влажность и температуру воздуха по осям x и y соответственно, выделив цветом наблюдения с любыми пропущенными значениями с помощью переменной any_missing.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Impute and track the missing values
ocean_imp_track <- bind_shadow(___) %>% 
  impute_below_all() %>% 
  add_label_shadow()

# Visualize the missingness in wind and air temperature,  
# coloring missing air temp values with air_temp_c_NA
ggplot(___, 
       aes(x = ___, y = ___, color = ___)) + 
  geom_point()

# Visualize humidity and air temp, coloring any missing cases using the variable any_missing
ggplot(___, 
       aes(x = ___, y = ___, color = ___)) +  
  geom_point()
Редактировать и запускать код