НачатьНачать бесплатно

Визуализация паттернов пропущенных данных

Потренируемся применять различные способы визуализации паттернов пропущенных значений:

  • gg_miss_upset() — для получения общей картины пропусков.
  • gg_miss_fct() — для набора данных с интересующим нас фактором: семейным положением.
  • gg_miss_span() — для изучения пропусков во временных рядах.

Что можно заметить о пропусках и разбивке данных на группы?

Это упражнение является частью курса

Работа с пропущенными данными в R

Посмотреть курс

Инструкции к упражнению

  • Исследуйте паттерн пропущенных значений в наборе данных airquality с помощью gg_miss_upset().
  • Изучите, как меняются пропуски в наборе данных riskfactors в зависимости от переменной marital, используя gg_miss_fct().
  • Исследуйте, как меняются пропуски в наборе данных pedestrian по переменной hourly_counts на промежутке в 3000 (можно также попробовать разные значения от 2000 до 5000).
  • Изучите влияние переменной month на hourly_counts, передав её в аргумент facet с шагом 1000.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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 = ___)
Редактировать и запускать код