Визуализация пропущенных значений по одной переменной

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Это упражнение является частью курса

Работа с пропущенными данными в R

SkillTag.level.beginnerSkillTag.label

4.8+

141 reviews

Начать курс бесплатно

В первой главе вы познакомитесь с пропущенными данными: узнаете, что такое пропущенные значения, как они ведут себя в R, как их обнаружить и подсчитать. Затем мы рассмотрим сводные характеристики пропущенности и научимся обобщать информацию о пропусках по наблюдениям, переменным и группам внутри данных. В завершение мы обсудим визуализацию пропущенных данных: как создавать обзорные графики для всего набора данных, а также по переменным, наблюдениям и другим сводным показателям — и как исследовать всё это в разрезе групп.

Во второй главе вы научитесь выявлять скрытые пропущенные значения — такие как `"missing"` или `"N/A"` — и заменять их на `NA`. Вы узнаете, как эффективно работать с неявными пропусками — теми значениями, которые подразумеваются пропущенными, но явно не указаны. Мы также рассмотрим зависимость пропущенных данных: разберём понятия «пропущено полностью случайно» (MCAR), «пропущено случайно» (MAR) и «пропущено неслучайно» (MNAR) и обсудим, что каждое из них означает для вашего анализа.

Exercise 1: Поиск и замена пропущенных значений Exercise 2: Использование miss_scan_count Exercise 3: Использование replace_with_na Exercise 4: Использование расширенных вариантов replace_with_na Exercise 5: Заполнение пропущенных значений вниз Exercise 6: Исправление неявных пропусков с помощью complete()Exercise 7: Исправление явных пропусков с помощью fill()Exercise 8: Совместное использование complete() и fill()Exercise 9: Зависимость пропущенных данных Exercise 10: Различия между MCAR и MAR Exercise 11: Исследование зависимости пропущенных значений Exercise 12: Дальнейшее исследование зависимости пропущенных значений

В этой главе вы познакомитесь с рабочими процессами для анализа пропущенных данных. Мы введём специальные структуры данных — матрицу теней и набор данных nabular — и покажем, как применять их в рабочих процессах, чтобы связывать сводные характеристики пропущенности с реальными значениями в данных. Вы научитесь использовать ggplot для исследования и визуализации того, как изменяются значения при появлении пропусков в других переменных. В завершение вы освоите визуализацию пропущенности по двум переменным и узнаете, как и зачем отображать пропуски на диаграмме рассеяния.

Exercise 1: Инструменты для изучения зависимостей пропущенных данных Exercise 2: Создание данных теневой матрицы Exercise 3: Групповые сводки на основе пропущенных значений Exercise 4: Дополнительное исследование комбинаций пропущенных значений Exercise 5: Визуализация пропущенных значений по одной переменной

Текущее упражнение

Exercise 6: Набулярные данные и разбивка по пропущенным значениям Exercise 7: Набулярные данные и агрегирование по пропущенным значениям Exercise 8: Исследование вариации по пропущенным значениям: ящики с усами Exercise 9: Визуализация пропущенных значений по двум переменным Exercise 10: Исследование пропущенных значений с помощью диаграмм рассеяния Exercise 11: Использование фасетов для изучения пропущенных значений Exercise 12: Фасетирование для анализа пропущенных значений (несколько графиков)

В этой главе вы изучите заполнение пропущенных значений в данных — процесс, называемый импутацией. Вы узнаете, как выполнять импутацию и отслеживать пропущенные значения, а также разберёте достоинства и недостатки различных подходов к восстановлению данных. Это позволит вам исследовать, визуализировать и оценивать восстановленные данные в сравнении с исходными значениями. Наконец, вы научитесь применять, оценивать и сравнивать различные модели импутации и изучите, как выбор модели влияет на выводы, которые можно сделать из данных.

Exercise 1: Заполняем пробелы Exercise 2: Импутация данных ниже диапазона с использованием nabular-данных Exercise 3: Визуализация импутированных значений на точечном графике Exercise 4: Построение гистограммы по импутированным данным Exercise 5: Что делает импутацию качественной Exercise 6: Оценка неудачных импутаций Exercise 7: Оценка импутации: масштаб данных Exercise 8: Оценка импутаций: анализ множества переменных Exercise 9: Выполнение импутации Exercise 10: Импутация данных с помощью simputation Exercise 11: Оценка и сравнение моделей импутации Exercise 12: Оценка импутаций (несколько моделей и переменных)Exercise 13: Оценка импутаций и моделей Exercise 14: Объединение и сравнение нескольких моделей импутации Exercise 15: Оценка различных параметров модели Exercise 16: Заключительный урок