Jämföra täthetsgram
De olika imputeringar du har utfört tidigare kan jämföras grafiskt med hjälp av täthetsgram. Dessa diagram gör det enkelt att analysera vilken datamängd som har den mest likartade fördelningen jämfört med originaldatamängden. Du kan också se hur en imputering kan introducera bias.
I den här övningen jämför du täthetsgram för de imputerade DataFrames för diabetes som du skapade tidigare.
DataFrames diabetes_cc, diabetes_mean_imputed, diabetes_knn_imputed och diabetes_mice_imputed har redan lästs in, tillsammans med matplotlib.pyplot som plt.
Den här övningen är en del av kursen
Hantera saknade värden i Python
Övningsinstruktioner
- Rita ett täthetsgram för kolumnen
'Skin_Fold'för varje DataFrame. - Ange etiketterna med hjälp av listan
labels. - Ange etiketten för x-axeln till
'Skin Fold'.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Plot graphs of imputed DataFrames and the complete case
diabetes_cc['___'].___(___='___', c='red', linewidth=3)
diabetes_mean_imputed['___'].plot(___='___')
diabetes_knn_imputed['___'].plot(___='___')
diabetes_mice_imputed['___'].plot(___='___')
# Create labels for the four DataFrames
labels = ['Baseline (Complete Case)', 'Mean Imputation', 'KNN Imputation', 'MICE Imputation']
plt.legend(___)
# Set the x-label as Skin Fold
plt.xlabel('___')
plt.show()